Notepad++正则表达式

注意：notepad++ 不支持匹配提取。 一般操作正则表达式主要是用来匹配查找、匹配替换。这个提取问题可以使用sublime text来进行实现， SublimeText可以选中所有匹配项。另外EmEditor也可以选中正则表达式的匹配项，但是EmEditor这个软件不是开源的，也不是免费的，所以推荐还是使用sublime text。

用Notepad++ 的正则表达式简单地处理数据，我发现学会正则表达式可以起到事半功倍的作用。

下面是我最近处理的几个小案例。

案例一
首先在Ensembl Plants 的Biomart 下载转录本对应的cds序列，如下：

>TraesCS6B02G039100|TraesCS6B02G039100.1
ATGTACCGTTGTGCTGTGGTCTTTCTGATCGTGGTGGCCGCCTGCACTCCGGCCATGAGC
AGCTTTTGGCAGCAGGCCCTCCCGGGCACGCCGATGCCAGAGGCCATCGCAGACCTTGTG
CCGAAAGGCATCGATGATGCGCCTCAAGTGGAGCGCTACCCTGCATTCCCCAGCATCAGT
TTGTGCGGTGCTTGGACCGGCATGTGTACGGCGAGCTTGGCGGCACCGACGGGCATCTTC

我们希望将
>TraesCS6B02G039100|TraesCS6B02G039100.1
替换为
>TraesCS6B02G039100.1

`查找`
([A-Za-z0-9]*)(\|)([A-Za-z0-9]*\.[0-9])

`替换`
\3

这里([A-Za-z0-9]*)表示基因TraesCS6B02G039100； (\|)对应特殊符号|，特殊符号用\进行转义。([A-Za-z0-9]*\.[0-9])表示转录本TraesCS6B02G039100.1。也就是说，我们将其分为3个匹配组，正则匹配并按匹配组进行替换，最终我们将三个匹配组替换为一个匹配组，也就是第三个\3。

👉注意：转录本的那个点.，也是特殊符号，同样需要用\转义。

结果如下：

>TraesCS6B02G039100.1
ATGTACCGTTGTGCTGTGGTCTTTCTGATCGTGGTGGCCGCCTGCACTCCGGCCATGAGC
AGCTTTTGGCAGCAGGCCCTCCCGGGCACGCCGATGCCAGAGGCCATCGCAGACCTTGTG
CCGAAAGGCATCGATGATGCGCCTCAAGTGGAGCGCTACCCTGCATTCCCCAGCATCAGT
TTGTGCGGTGCTTGGACCGGCATGTGTACGGCGAGCTTGGCGGCACCGACGGGCATCTTC

案例二

原始数据如下

>BAK07777.1 predicted protein [Hordeum vulgare subsp. vulgare]
MASKSASLLILAALVAAACLAGQGSAARHLPAEKPAEDVVKRPDTFQEGTVLIPGIGRYELGTHYIPDIGGLDHSIPAAANGQFIPGADDTWVPNPGFEVPNPFRPGSDSP

>KAF0905970.1 hypothetical protein E2562_008992 [Oryza meyeriana var. granulata]
MARSSSLQALLVLAVLVMAAACSTAAARSVPAEEKKTAAAEDVKQPETFHEGTVLIPGFGRFELGSHYVPDITGVDHSIPAAASGQFIPGADDTWVPNPGFEVPNPFHPGFEVPNPFHPGSASP

>RWW32695.1 hypothetical protein GW17_00002621 [Ensete ventricosum]
MPNQHLFNALNPHNLTFGGPRRIEIGSPPLVAHAPSNTPPKRKKKKKTVGFRLLRATSACATTDLHFERERSDHDRTCVITGGSTRYGPVCLPSTALQWGPRNKRVRRRVDERTPHHQYGKRGGKRGSTLPYGRPGTGKVGNPHLQAHASPPVQQAWQEARQHAPPPRVTEAPPPRIPASPTSTPNRSQSRSHNPAPTEPDLDVLSTDSTDSLREQVRRVHQRLDEVQREVLKSKDEAGESSKGGSPFTLEIHSKPLPATFRLPALEPYDGSGDPVEHVATFRAQMALYDTSEALMCRAFPTTLRGSARNWYARLKPASIPSFDVLAREFESNFLASACPRPTTASLLGMAQGSDEPLSQFVRRFTSQVQGIPDLHPSLAIQVFLTGLKPSRFFWSLIERPPTTLPEMLQRAHQYVAAETLIAGKRDEAKRPRGEQSRGNPAPPPKKREDRSGLLPARPPPIPLNSTRTEIFFQIREKGLLKAPSPMKSHPERRDKRRYCRFHREYGHDTEECRDLQYQIEDLIKRGHLRRYVREQPPLSDGRPPRDLSKTLMVPFMVVRLPSAYNAIIGRPTLNRLRAVVSTYHRVLKFPTRAGVGEVRSDPKESRQCYLAATTLCKKPRTGPINATAPDPVEDARAANQHSILYFFFLSLSVSMASCSRCPTLPLIILFLGLMSVAQVALAGRKIPANSDKKETEFLGHEGTVLIPGIGRYMIGSHEKPGFSGLDHSIPAAANGKYLPGNDDTFVPNPGYEIPNPFRGVIP

如果我们想删除>BAK07777.1 和 [Hordeum vulgare subsp. vulgare]中间的文字部分，该如何解决？

👉解决方案如下

`查找`
(.*\.[0-9])(.*)(\[.*\])

`替换`
\1\3

结果如下：

>BAK07777.1[Hordeum vulgare subsp. vulgare]
MASKSASLLILAALVAAACLAGQGSAARHLPAEKPAEDVVKRPDTFQEGTVLIPGIGRYELGTHYIPDIGGLDHSIPAAANGQFIPGADDTWVPNPGFEVPNPFRPGSDSP

>KAF0905970.1[Oryza meyeriana var. granulata]
MARSSSLQALLVLAVLVMAAACSTAAARSVPAEEKKTAAAEDVKQPETFHEGTVLIPGFGRFELGSHYVPDITGVDHSIPAAASGQFIPGADDTWVPNPGFEVPNPFHPGFEVPNPFHPGSASP

>RWW32695.1[Ensete ventricosum]
MPNQHLFNALNPHNLTFGGPRRIEIGSPPLVAHAPSNTPPKRKKKKKTVGFRLLRATSACATTDLHFERERSDHDRTCVI
TGGSTRYGPVCLPSTALQWGPRNKRVRRRVDERTPHHQYGKRGGKRGSTLPYGRPGTGKVGNPHLQAHASPPVQQAWQEARQHAPPPRVTEAPPPRIPASPTSTPNRSQSRSHNPAPTEPDLDVLSTDSTDSLREQVRRVHQRLDEVQREVLKSKDEAGESSKGGSPFTLEIHSKPLPATFRLPALEPYDGSGDPVEHVATFRAQMALYDTSEALMCRAFPTTLRGSARNWYARLKPASIPSFDVLAREFESNFLASACPRPTTASLLGMAQGSDEPLSQFVRRFTSQVQGIPDLHPSLAIQVFLTGLKPSRFFWSLIERPPTTLPEMLQRAHQYVAAETLIAGKRDEAKRPRGEQSRGNPAPPPKKREDRSGLLPARPPPIPLNSTRTEIFFQIREKGLLKAPSPMKSHPERRDKRRYCRFHREYGHDTEECRDLQYQIEDLIKRGHLRRYVREQPPLSDGRPPRDLSKTLMVPFMVVRLPSAYNAIIGRPTLNRLRAVVSTYHRVLKFPTRAGVGEVRSDPKESRQCYLAATTLCKKPRTGPINATAPDPVEDARAANQHSILYFFFLSLSVSMASCSRCPTLPLIILFLGLMSVAQVALAGRKIPANSDKKETEFLGHEGTVLIPGIGRYMIGSHEKPGFSGLDHSIPAAANGKYLPGNDDTFVPNPGYEIPNPFRGVIP