Python正则提取字符串目标子串结果不符预期的解决方法

• 原正则^(.*) \(.* \[HSA使用贪婪匹配规则，会一次性匹配整行大段内容，无法精准拆分单个基因条目
• 二次替换逻辑直接将所有括号、方括号匹配段统一替换为|，没有过滤空匹配、前后冗余空白，导致出现连续多余分隔符
• 未兼容两种基因名格式：基因名在前带事件注释的格式（如BCR-ABL (translocation)）、带括号别名在前正式名在后的格式（如(GALAC1) GALT）

放弃“整行匹配+二次替换”的思路，直接编写精准匹配单个基因名的正则，逐行提取所有有效基因名后统一拼接分隔符，从根源避免多余分隔符问题。
修正后的可运行代码：

import re

# 正则规则说明：
# 匹配基因间的多空格分隔/行首，兼容前缀括号别名、后缀括号注释，捕获[HSA]标记前的正式基因名
gene_extract_pattern = re.compile(r'(?:^|\s{2,})(?:\([^)]*\)\s*)?([A-Za-z0-9-]+)\s*(?:\([^)]*\))?\s*\[HSA:')

# 逐行处理基因列数据
for line_num, line_content in enumerate(dict['GENE'].split('\n'), 1):
    stripped_line = line_content.strip()
    # 跳过表头、空行
    if not stripped_line or stripped_line == 'gene':
        continue
    # 提取当前行所有基因名，按要求拼接
    matched_genes = gene_extract_pattern.findall(line_content)
    print(f"{line_num} {' | '.join(matched_genes)}")

执行代码后将输出完全符合预期的结果：

1 BCR-ABL | MLL-AF4 | E2A-PBX1 | TEL-AML1 | c-MYC | CRLF2 | PAX5
2 GALT | GALK1 | GALE | GALM

内容的提问来源于stack exchange，提问作者rshar