Perl正则匹配制表符分隔文件提取3项项集的代码错误排查

错误原因 #

• 核心错误是正则表达式的匹配规则不符合业务需求：你写的/[A-Z]\t[A-Z]\t[A-Z]/只会匹配「单个大写字母 + 制表符 + 单个大写字母 + 制表符 + 单个大写字母」的字符串，但你的每个item是由大写字母、数字、下划线组成的多字符字符串，该正则无法匹配到任何符合要求的行。
• 额外可优化点：原正则没有加行首、行尾的匹配约束，就算修改了匹配规则，也可能误匹配到item内容里包含制表符、或者有超过3个item的异常行。

修正方案 #

更稳妥的实现方式是直接按制表符分割每行，判断分割后的元素数量是否等于3，逻辑更清晰不容易出错，示例代码如下：

#!/usr/bin/perl -w
use strict;

my $input = shift @ARGV or die $!; 
open (FILE, "$input") or die $!;

while (<FILE>) {
    chomp;
    # 按制表符分割，默认自动过滤末尾空元素
    my @items = split /\t/;
    # 元素数量等于3则输出
    print $_."\n" if scalar @items == 3;
}
close FILE;

如果你一定要用正则实现，正确的正则写法如下：

if ($seq =~ /^[^\t]+\t[^\t]+\t[^\t]+$/) {
    print $seq."\n";
}

这里[^\t]+代表匹配1个及以上非制表符的字符，加上^和$分别约束行首和行尾，确保整行正好是3个用制表符分隔的item。

内容的提问来源于stack exchange，提问作者Olha Kholod