一、常用正则表达式

1、元字符

• \ 反斜线：转义符；
• . 点号：代替任何一个单字符，除了换行符以外；
• * 星号：表示前面的字符重复0到多次；
  若前面的字符加上括号，就表示括号内字符串为整体进行模式匹配，下同。
• + 加号：表示前面的字符重复1到多次；
• ? 问号：表示前面的字符重复0或1次；
• {1,8} 大括号：表示手动设定匹配重复的范围；
• .* 点星组合：表示任意长度字符串，常用；

2、字符集

• (b|c|d|e|h|z)at、[bcdehz]at、[b-fhz]at 三者表达意义相同，择一匹配。
• [a-z] 表示小写字母集；[A-Z] 表示大写字母集。
• [0-9] 表示任一数字，等价于\d；\d+表示任意长度数字（常用），类似的是\s+表示任意长度空白（也很常用），比如my @line=split /\s+/,$_;
• \w 表示任一数字，字母以及下划线；即等价于[a-zA-Z0-9_]
• ^与$分别表示行首、行尾匹配；举一例便明白了^ATG.*TAA$表示匹配以ATG开头、以TAA结尾的序列。
  注意：如果脱字符^用于[ ]中，就表示取反；比如[^0-9]表示匹配一个非数字字符，等价于[^\d]、\D

这里顺带复习下vim的操作：d^表示删除光标至行开头的地方；d$表示删除光标至行结尾的地方

二、使用正则表达式

1、配合if，判断是否存在特定类型字符

即用到正则表达的匹配 ，格式为m/<1>/<2>

• m 表示匹配格式，若匹配到则为真，否则为假；可以省略。
• / / 为界定符，也可以为其它，比如! !等；
• <1> 即为想要匹配的模式，通常会用到第一点的知识；
• <2> 为修饰符，即为对匹配过程的功能修饰，见下面的例子；可省略。

1.1、最简单的例子

#!/usr/bin/perl -w
use strict;
$_="hello,world!"
if (/hello/) {   #在变量值中匹配是否有“hello”，有则为真；否则为假
    print "it is matched\n"
} else {
    print "it is not matched\n"
}

注意如果 if ( /<1>/)条件括号内不加变量名，即表示与$_标量匹配；
if ( $sample=~ /<1>/) 即为与某特定变量进行匹配的格式。

1.2、匹配输出特定序列

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

open IN,"<$ARGV[0]",or die "can not open the file\n$!";
while (<IN>) {
    chomp;
    if (/^ATG.*TAA$/i) {
#匹配以ATG开头，TAA结尾的序列文件
    #if (!/^ATG.*TAA$/i) {
        #表示匹配不是以ATG开头，TAA结尾的序列文件
        print "$_\n";
    } else {
        next;
    }
}
close IN;

perl 002.pl seq.txt

筛选序列

1.3、匹配修饰符

#!/usr/bin/perl -w
print "Do u like perl？\n";
my $choice=<STDIN>;   #从标准输入获取信息
if ($choice=~ /y e s/ix) {
# i修饰符 表示忽略大小写
# x修饰符 表示忽略空格
    print "Yes，So you need to work hard\n";
} else {
    print "No，So you need to work harder\n";
}

2、捕获文本中特定类型的字符

• ( ) 小括号加在正则表达式中，表示捕获括号内的特定类型字符赋值给变量。
• 一般第一对括号赋值给$1变量；第二对括号赋值给$2变量....

注意由于上文提到小括号还有整体分组的功能；为了避免此功能的矛盾，设置(?: )表示仅有整体分组功能，不捕获值。

• 一个复杂的例子：取出"Score = 161 bits (407), Expect = 1e-43, Method: Compositional matrix adjust."文本字符串中的Score值与Expect值。

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

my $line1="Score =  161 bits (407), Expect = 1e-43,   Method: Compositional matrix adjust.";
my @result= ($line1=~ m/Score\s*=\s*([\d\.\,]+)\s*bits\s*\(\d+\)\,\s*Expect\s*=\s*(\S+),/);
print "@result\n";

正则表达式捕获
此处的正则表达式比较长，(\S+)存疑，我替换成(\w+)就输出为空白了，奇怪。慢慢理解下~

3、正则替换

模式为 s/ <1> / <2> /

• s表示替换，不可省略；
• <1> 为匹配内容，即被替换的文本；
• <2> 为替换的文本；若为空，就表示删除；

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

my $line="hello,world!";
$line=~ s/world/China/;   #替换单词

$line=~ s/^/Nihao,/;  #在行首添加内容
$line=~ s/$/hello!/;  #在行尾添加

$line=~ s/hello/ /g;  #删除所有的hello 
# g修饰符表示全局替换，否则只会删除第一个；

my $num+=($line=~ s/hello!/ /g);
# 赋值给变量的值是成功替换的次数，在统计特定文本个数是有用。
print "$line\n";
print "$num\n";

补充1：一一对应替换

• 示例：获得序列的互补序列，即A-T、T-A、C-G、G-C四种替换（N碱基不变）；
• 不能使用s模式；可以使用tr模式

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

my $seq="TTATCCCTAAAATNGTNNNAGTATAAACATAAGA";
# my $r_seq=reverse $seq;
# 如果想要获得反向互补序列，可以先reverse一下
my $r_seq=$seq;
$r_seq=~ tr/ATCG/TAGC/;

print "$seq\n";  #原始序列
print "$r_seq\n";  # 互补序列

互补序列

补充2：大小写替换

my $seq="TTATCCCTAAAATNGTNNNAG";
$seq=~ s/(\w+)/\U$1/g;  #全部变成大写
$seq=~ s/(\w+)/\L$1/g;  #全部变成小写
$seq=~ s/(\w+)/\u$1/g;  #首字母大写

巧妙利用了( )捕获与$1变量的关系。

补充3：贪婪匹配（替换）

• +*? 等都尽可能的多匹配长字符串，即贪婪匹配

my $seq="ATGTCCC1TAAAATNGTNN2TAA";
if ($seq=~ /^ATG(.+)TAA/i) {
    print "$1\n";   
} 

• 此例中，通过再加?，取消贪婪、匹配最短序列。

my $seq="ATGTCCC1TAAAATNGTNN2TAA";
if ($seq=~ /^ATG(.+?)TAA/i) {
    print "$1\n";   
} 

贪婪匹配