matlab中利用正则表达式提取复杂文本信息

测试文本(rg1.txt),
文件比较大，都是这样的格式。第一行是名字，第二行是e值，第三行是序列。
条件一：现在想按e值（即Expect的值）的大小排序，满足一定e值的，这三行都要；

主要的难点是如何把相关的信息取出来
下面的Regular_Expressions_Demo.m   利用matlab内嵌的Regular_Expressions
功能完成的信息的提取，并保存在一个struct中供后续运算。



rg1.txt
-----begin-----
>gb|AAN73709.1|AF484508_1 gag-pol fusion polyprotein [swine]
Score=440 bits (1131) Expect=e-122
PIVQNAQGQMIYQALSPRTLNAWVKVIEERGFSPEVIP
>gb|AAL34796.1| gag protein [monkey]
Score=457 bits (1177) Expect=e-127
PIVQNLQGQMVHQSISPRTLNAWVKVIEEKAFSPEVIPMFTALSEGATPQL
>gb|AAL34796.1| gag protein [swine]
Score=457 bits (1177) Expect=e-127
PIVQNLQGQMVHQSISPRTLNAWVKVIEEKAFSPEVIPMFTALSEGATPQL
>gb|AAL34796.1| gag protein [Human]
Score=457 bits (1177) Expect=e-127
PIVQNLQGQMVHQSISPRTLNAWVKVIEEKAFSPEVIPMFTALSEGATPQL
------end-------



matlab 程序

Regular_Expressions_Demo.m

---------begin-------
% 这里有两种信息提取方式，
%第一种：先匹配再从匹配结果中提取部分信息
%第二种：直接把匹配结果取回
fin = fopen('rg1.txt','r');
res = struct('name',{},'e',{},'series',{});%用于保存结果的数据结构
idx = 1;
counter = 1;
while feof(fin)==0
    str = fgetl(fin);
    s=regexp(str,'[(?w+)]','names'); %先匹配［　　］　之后取出［］中的信息
    if ~isempty(s)
        res(idx).name = s.id;
    end
   
    s=regexp(str,'=(?e.+)','names');
    if ~isempty(s)
        res(idx).e = s.e;
    end
   
    s=regexp(str,'^[A-Z].+[A-Z]$','match');%直接取出匹配信息
    if ~isempty(s)
        res(idx).series = s;
    end
   
    if mod(counter,3) == 0
        idx = idx + 1;
    end
    counter = counter + 1;
   
end
res
-----------end-----------


运行结果
ans =
      name: 'swine'
         e: 'e-122'
    series: {'PIVQNAQGQMIYQALSPRTLNAWVKVIEERGFSPEVIP'}

ans =
      name: 'monkey'
         e: 'e-127'
    series: {'PIVQNLQGQMVHQSISPRTLNAWVKVIEEKAFSPEVIPMFTALSEGATPQL'}

ans =
      name: 'swine'
         e: 'e-127'
    series: {'PIVQNLQGQMVHQSISPRTLNAWVKVIEEKAFSPEVIPMFTALSEGATPQL'}

ans =
      name: 'Human'
         e: 'e-127'
    series: {'PIVQNLQGQMVHQSISPRTLNAWVKVIEEKAFSPEVIPMFTALSEGATPQL'}

0