Discussion :

[Mydriaze]

Bonjour à tous,

J'ai un probleme bête (encore) d'expression réguliere ..

Je veux parser un fichier genbank pour en recuperer entre autre la taxonomie.
Or comme celle-ci se trouve sur plusieurs lignes les codes les autres codes ne marchent pas..

Donc pour celui-là je recupere l'entree en XML .

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
 
        handle = Entrez.efetch(db = "Nucleotide", id=identifiant, rettype="xml")
        result = handle.read()
        print  result

J'obtiens un truc du style :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
 
 
...
 
                        </OrgName_mod>
                        <OrgName_lineage>Eukaryota; Metazoa; Arthropoda; Hexapoda; Insecta; Pterygota; Neoptera; Endopterygota; Hymenoptera; Apocrita; Aculeata; Apoidea; Apidae; Apis</OrgName_lineage>
                        <OrgName_gcode>1</OrgName_gcode> ...
....

je voufrais recuperer tout ce qui est entre

<OrgName_lineage> et </OrgName_lineage>


J'essaye de faire qqch comme :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
 
 
taxonomie = (re.search("<OrgName_lineage>([\w\s\n]+)",result)).group(1)

mais ça donne :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
Eukaryota

ou

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
 
 
taxonomie = (re.search("<OrgName_lineage>([\w\s\n]+</OrgName_lineage>", result)).group(1)

et ça donne

AttributeError: 'NoneType' object has no attribute 'group'

Je ne sais pas comment faire ...

Est-ce que quelqu'un aurait une idee s'il vous plait?

Merci ppar avance.

[Mydriaze]

Bon, je vous remercie !!!

Vous avez resolu mon pb!

En editant le poste je viens de voir que la taxonomie etait sur une seule ligne. le retour à la ligne etait reel qd je faisais :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

handle = Entrez.efetch(db = "Nucleotide", id=identifiant, rettype="gb")

Qd j'ai changé pour :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

handle = Entrez.efetch(db = "Nucleotide", id=identifiant, rettype="xml")

j'avais le meme retour à la ligne mais à cause de la largeur de la console... lol

donc ça venait juste du fait que je n'avais pas mis le ";" ds les expression reguliere..




Maintenant j'ai tout bien !

MERCI !!

[Antoine_935]

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
 
 
taxonomie = (re.search("<OrgName_lineage>([\w\s\n]+</OrgName_lineage>", result)).group(1)

C'est déjà plus proche de la solution que la première proposition

La raison pour laquelle tu tombes sur cette erreur de "None has no attribute...", c'est parce que d'une part ta regex contient une erreur, et d'autre part qu'il se peut qu'elle ne match pas.

Construisons cette regex:
On a, comme tu l'as bien mis, "<OrgName_lineage>" et sa fermante de part et d'autre de la chaîne.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

<OrgName_lineage></OrgName_lineage>

Entre les deux, des caractères, des blancs, des passages à la ligne... bref un peu de tout, sauf une balise fermante. Tout sauf un "<" s'exprime en ces termes simples:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

[^<]

En mettant un répétiteur derrière, ainsi que des parenthèses pour récupérer le groupe, ça nous amène à:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

<OrgName_lineage>([^<]+)</OrgName_lineage>

Et voilà

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
# Autant ne compiler la regex qu'une fois, on gagnera du temps
pattern = re.compile(r"<OrgName_lineage>([^<]+)</OrgName_lineage>")
 
for item in pattern.findall(theXMLData):
    print item

Edit: erf, l'auteur du post s'est aidé lui-même avant que je n'aie le temps de poster :p

[eyquem]

À mon avis, il y a confusion.



On peut écrire

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

re.compile(r"<OrgName_lineage>([^<]+)</OrgName_lineage>")

seulement si l’on sait qu’il n’y a jamais de carcatère ’<’ dans le contenu de l’élément.

Auquel cas, il est tout à fait identique d’écrire

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

re.compile(r"<OrgName_lineage>([^<]+)<")

Mais d’où vient cette restriction sur ’<’ ??





Toutefois, on peut capter le contenu de l’élément sans se préoccuper de ce qui peut constituer ce contenu:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

re.compile(r"<OrgName_lineage>(.+)</OrgName_lineage>")

parce que le contenu de l’élément ne peut pas contenir la chaîne de sa balise fermante.....

Mais on peut même écrire

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

re.compile(r"<OrgName_lineage>(.+)<")

parce que le répétiteur + est greedy = glouton: il va progresser au maximum dans la chaîne traitée pour ne s’arréter que devant la fin de chaîne ou devant un caractère newline. Bien sûr s’il va aussi loin, la RE "<OrgName_lineage>(.+)<" ne matchera pas
==> la plus grande chaîne qui matchera avec "<OrgName_lineage>(.+)<" sera celle qui s’arrêtera au dernier ’<’ dans la chaîne et c’est ce qui permet d’obtenir le résultat voulu.
Résultat susceptible de contenir des ’<’ en son sein, cette fois.

Mais il ne faut évidemment pas que le mode MULTILINE soit activé.

[Antoine_935]

On peut écrire

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

re.compile(r"<OrgName_lineage>([^<]+)</OrgName_lineage>")

seulement si l’on sait qu’il n’y a jamais de carcatère ’<’ dans le contenu de l’élément.

XML requiert qu'il n'y ait pas ce caractère dans le texte. Il doit être remplacé par &lt;
De plus, et tout le monde semble l'ignorer, les . (points) doivent être évités à tout prix dans les regex. Ils représentent tout simplement une source de bug et une catastrophe niveau performance.

[Mydriaze]

Rhoooo là là là ...21h16, 23h26, 23h56 ... Vous êtes graves les garçons.... lol

Bon, en tout cas, Merci infiniment pour votre aide!!!

Apparement il n'y aurait que des lettres, des chiffres, des espaces, le ";" , le "-" ... , (à priori pas de points?)
...

Donc j'ai fini par ecrire :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

taxonomie = (re.search("<OrgName_lineage>([\w\s;-]+)",result3)).group(1)

qui a marché . Il ne fallait pas oublier le ";" ... A partir de là , il prend tout jusqu'au "<" puisqu'il n'est pas ds la regex.

Mais effectivement c'etait bien plus simple de mettre [^<] . Donc j'ai remplacé. et ça marche nickel ! MERCI !

Par contre je ne compile jamais les regex. Je n'ai jamais compris à quoi ça servait ... apparemment ça marche bien sans ... enfin je crois...

[Antoine_935]

Oui, ça marche tout aussi bien sans.
Quand tu fais une recherche "sans la compiler", elle est compilée en interne.
Autrement dit, elle est compilée pour chaque recherche. Ca représente une perte de temps