如何提取介于某个区间的几行文字，区间的开始和结束可以用正则表达式描述

juzi1114
如何提取介于某个区间的几行文字，区间的开始和结束可以用正则表达式描述

如这样的文件：
CC   -!- FUNCTION: Rapidly .
CC   -!- CATALYTIC ACTIVITY: Acetylcholine.
CC   -!- SUBUNIT: Homotetramer; composed .
CC       Interacts with PRIMA1.
CC       anchor it to the basal
CC       (By similarity).
CC   -!- [color=Red]SUBCELLULAR LOCATION[/color]: Cell junction, synapse. Secreted (By
CC       similarity). Cell membrane; Peripheral membrane protein (By
CC       similarity).
CC   -!- [color=Red]SUBCELLULAR LOCATION[/color]: Isoform 2: Cell membrane;
CC       anchor; Extracellular side (By similarity).
CC   -!- ALTERNATIVE PRODUCTS:
CC       Event=Alternative splicing; Named isoforms=2;
我要提取其中以SUBCELLULAR LOCATION开头的那一小段文件，如下：
SUBCELLULAR LOCATION: Cell junction, synapse. Secreted (By
  similarity). Cell membrane; Peripheral membrane protein (By
  similarity).
SUBCELLULAR LOCATION: Isoform 2: Cell membrane; Lipid-anchor, GPI-
   anchor; Extracellular side (By similarity).
我现在写的
[color=RoyalBlue]f($line=~ /SUBCELLULAR LOCATION:/)
        {
                  print   $line,"/n";
        if ($array[$line_num]=~ //-/!/-/)
        {next;}
                        }
        if( $array[$line_num] =~ /^/////)
   {
           $a++;
           last;[/color]
只有其中的第一句话出来 不知道怎么办才好啊 谢谢各位了！！

[[i] 本帖最后由 flw 于 2008-6-20 13:16 编辑 [/i]]

flw
下面给出这一类问题的通用解决办法。

这是面向行处理的一种轻量级解决方法。
比那些对整个文件进行模式匹配的方法不知优雅了要多少倍。

$start 表示开始标记的模式，$end 表示结束标记的模式，
if ( (/$start/ .. /$end/) and !/$end/ ){
表示需要开始和结束之间的，但不需要结束的那一行。

[font=fixedsys][code]#! /usr/bin/env perl

my $start = qr/^CC/s+-!- SUBCELLULAR LOCATION/;
my $end = qr/^CC/s+-!- (?!SUBCELLULAR LOCATION)/;

while(<DATA>){
    if ( (/$start/ .. /$end/) and !/$end/ ){
        print "*** $_";
    }
    else{
        print "--- $_";
    }
}
__END__
CC   -!- FUNCTION: Rapidly .
CC   -!- CATALYTIC ACTIVITY: Acetylcholine.
CC   -!- SUBUNIT: Homotetramer; composed .
CC       Interacts with PRIMA1.
CC       anchor it to the basal
CC       (By similarity).
CC   -!- SUBCELLULAR LOCATION: Cell junction, synapse. Secreted (By
CC       similarity). Cell membrane; Peripheral membrane protein (By
CC       similarity).
CC   -!- SUBCELLULAR LOCATION: Isoform 2: Cell membrane;
CC       anchor; Extracellular side (By similarity).
CC   -!- ALTERNATIVE PRODUCTS:
CC       Event=Alternative splicing; Named isoforms=2;[/code][/font]
运行结果：
[font=fixedsys][quote]flw@debian:~$ ./ttt.pl
--- CC   -!- FUNCTION: Rapidly .
--- CC   -!- CATALYTIC ACTIVITY: Acetylcholine.
--- CC   -!- SUBUNIT: Homotetramer; composed .
--- CC       Interacts with PRIMA1.
--- CC       anchor it to the basal
--- CC       (By similarity).
[color=blue]*** CC   -!- SUBCELLULAR LOCATION: Cell junction, synapse. Secreted (By
*** CC       similarity). Cell membrane; Peripheral membrane protein (By
*** CC       similarity).
*** CC   -!- SUBCELLULAR LOCATION: Isoform 2: Cell membrane;
*** CC       anchor; Extracellular side (By similarity).[/color]
--- CC   -!- ALTERNATIVE PRODUCTS:
--- CC       Event=Alternative splicing; Named isoforms=2;
flw@debian:~$[/quote][/font]

cobrawgl
#!user/bin/perl

use strict;
use warnings;

my @data = <DATA>;
$_ = join '', @data;

my @t = /(SUBCELLULAR.*?)CC/s+-!-/msg;

print map {s/CC/s+//g; $_} @t;

__DATA__
CC   -!- FUNCTION: Rapidly .
CC   -!- CATALYTIC ACTIVITY: Acetylcholine.
CC   -!- SUBUNIT: Homotetramer; composed .
CC       Interacts with PRIMA1.
CC       anchor it to the basal
CC       (By similarity).
CC   -!- SUBCELLULAR LOCATION: Cell junction, synapse. Secreted (By
CC       similarity). Cell membrane; Peripheral membrane protein (By
CC       similarity).
CC   -!- SUBCELLULAR LOCATION: Isoform 2: Cell membrane;
CC       anchor; Extracellular side (By similarity).
CC   -!- ALTERNATIVE PRODUCTS:
CC       Event=Alternative splicing; Named isoforms=2;

[[i] 本帖最后由 cobrawgl 于 2008-6-20 12:36 编辑 [/i]]

juzi1114
回复 #2 cobrawgl 的帖子

谢谢啦 呵呵.... 看来我的正则表达式还要多学习了 呵呵...

cobrawgl
版主有时间的话，给大家解说一下吧 :mrgreen:

cobrawgl
那个 ？！ 是什么意思啊，版主 :em14:

flw
[quote]原帖由 [i]cobrawgl[/i] 于 2008-6-20 12:49 发表 [url=http://bbs.chinaunix.net/redirect.php?goto=findpost&pid=8626782&ptid=1165378][img]http://bbs.chinaunix.net/images/common/back.gif[/img][/url]
那个 ？！ 是什么意思啊，版主 :em14: [/quote]
向前断言，不匹配。

cobrawgl
谢谢版主指点，赶紧看书去了 :mrgreen:

ly5066113
苯方法：

[code]#! /bin/perl

use warnings;
use strict;

my $key;

while(<DATA>){
    if (/-!-/) {
        $key = 0;
    }
    if (/SUBCELLULAR LOCATION/) {
        print;
        $key = 1;
        next;
    }
    if ($key) {
        print;
    }   
}

__END__
CC   -!- FUNCTION: Rapidly .
CC   -!- CATALYTIC ACTIVITY: Acetylcholine.
CC   -!- SUBUNIT: Homotetramer; composed .
CC       Interacts with PRIMA1.
CC       anchor it to the basal
CC       (By similarity).
CC   -!- SUBCELLULAR LOCATION: Cell junction, synapse. Secreted (By
CC       similarity). Cell membrane; Peripheral membrane protein (By
CC       similarity).
CC   -!- SUBCELLULAR LOCATION: Isoform 2: Cell membrane;
CC       anchor; Extracellular side (By similarity).
CC   -!- ALTERNATIVE PRODUCTS:
CC       Event=Alternative splicing; Named isoforms=2;[/code]

flw
[quote]原帖由 [i]ly5066113[/i] 于 2008-6-20 13:08 发表 [url=http://bbs.chinaunix.net/redirect.php?goto=findpost&pid=8626974&ptid=1165378][img]http://bbs.chinaunix.net/images/common/back.gif[/img][/url]
苯方法：[/quote]
range operator 有一个内置的 state，相当于你的 $key，不过由它自己来维护，因此可读性更好。

juzi1114
回复 #2 flw 的帖子

谢谢啦 真的要加油学习了.. 呵呵..

ly5066113
[quote]原帖由 [i]flw[/i] 于 2008-6-20 13:13 发表 [url=http://bbs.chinaunix.net/redirect.php?goto=findpost&pid=8627016&ptid=1165378][img]http://bbs.chinaunix.net/images/common/back.gif[/img][/url]

range operator 有一个内置的 state，相当于你的 $key，不过由它自己来维护，因此可读性更好。 [/quote]

恩，老大的方法确实非常优雅。但 ?! 这种东西，不是只读过一遍小骆驼的我所能理解的，呵呵。

ulmer
回复 #1 juzi1114 的帖子

Another way is to use $/ ($INPUT_RECORD_SEPARATOR).
Because your data structure is typically with beginning of "CC   -!-" terminated,
using $/ = "CC   -!-" to seperate the records and to store then in each element of an array.
Then processing array's element to get what you want.
Sample code:
[quote]
$/ = "CC   -!-";
my @data = ();
while (<DATA>) {
    chomp;
    push @data, $_ if $_ ne '';
}

__DATA__
CC   -!- FUNCTION: Rapidly .
CC   -!- CATALYTIC ACTIVITY: Acetylcholine.
CC   -!- SUBUNIT: Homotetramer; composed .
CC       Interacts with PRIMA1.
CC       anchor it to the basal
CC       (By similarity).
CC   -!- SUBCELLULAR LOCATION: Cell junction, synapse. Secreted (By
CC       similarity). Cell membrane; Peripheral membrane protein (By
CC       similarity).
CC   -!- SUBCELLULAR LOCATION: Isoform 2: Cell membrane;
CC       anchor; Extracellular side (By similarity).
CC   -!- ALTERNATIVE PRODUCTS:
CC       Event=Alternative splicing; Named isoforms=2;
[/quote]

juzi1114
回复 #13 ulmer 的帖子

thanks very much!:mrgreen:

flw
[quote]原帖由 [i]ly5066113[/i] 于 2008-6-20 13:27 发表 [url=http://bbs.chinaunix.net/redirect.php?goto=findpost&pid=8627155&ptid=1165378][img]http://bbs.chinaunix.net/images/common/back.gif[/img][/url]

恩，老大的方法确实非常优雅。但 ?! 这种东西，不是只读过一遍小骆驼的我所能理解的，呵呵。 [/quote]
?! 是这个问题特有的，和 range operator 倒没什么关系。
因此并不是总需要用到 ?!，而 range operator 用来解决这一类问题确实很方便。

不死草
[quote]原帖由 [i]flw[/i] 于 2008-6-20 12:13 发表 [url=http://bbs.chinaunix.net/redirect.php?goto=findpost&pid=8626732&ptid=1165378][img]http://bbs.chinaunix.net/images/common/back.gif[/img][/url]
$start 表示开始标记的模式，$end 表示结束标记的模式，
if ( (/$start/ .. /$end/) and !/$end/ ){
表示需要开始和结束之间的，但不需要结束的那一行。
[/quote]
斑竹的方法确实不错，学习ing!~...