Python使用正则提取基因边界时返回空列表该如何解决

现有代码返回空列表的核心原因是正则表达式和目标格式不匹配：

• 你需要匹配的基因边界是数字..数字结构，两个连续的.是固定格式，而你写的\W只会匹配1个非单词字符，无法命中两个点的结构
• 现有正则没有做特殊字符转义，也没有完整覆盖目标边界的格式规则，即使有匹配结果也无法拿到完整的边界值
• GenBank格式的特征行中，边界还可能被complement()、join()这类函数包裹，基础正则无法覆盖这类场景

基础版（仅提取纯数字..数字格式的边界） #

import re

with open('sequence.gb','r') as rf:
    for line in rf:
        # 精确匹配 数字..数字 格式的内容
        boundaries = re.findall(r"\d+\.\.\d+", line)
        if boundaries:
            print(boundaries)

增强版（兼容带包裹符的边界，同时提取对应的特征类型） #

如果你需要同时拿到边界对应的基因特征类型（如gene、CDS、mRNA等），可以用以下实现：

import re

with open('sequence.gb','r') as rf:
    for line in rf:
        res = re.match(r"^\s+(\w+)\s+.*?(\d+\.\.\d+)", line)
        if res:
            feature = res.group(1)
            boundary = res.group(2)
            print(f"{feature}: {boundary}")

• \d+：匹配1个及以上的数字，对应边界的起止位置数值
• \.\.：.是正则中的特殊字符，需要加反斜杠转义后才能精确匹配字面量的点，这里匹配边界格式里的两个连续点
• 增强版中的.*?是惰性匹配，会跳过特征名和边界之间的所有内容，兼容被complement()、join()包裹的边界场景

内容的提问来源于stack exchange，提问作者kira.99