Perlkurs WS 14/15 Reguläre Ausdrücke I

Transkript

1 Perlkurs WS 14/15 Reguläre Ausdrücke I 1

2 Reguläre Ausdrücke Reguläre Ausdrücke mächtigtes Werkzeug von Perl, um nach Mustern (Gruppen von Zeichen) innerhalb von Text zu suchen z.b. in Protein- und DNA-Sequenzen Domänen Transkriptionsfaktor-Bindestellen Schnittstellen von Restriktionsenzymen 2

3 Wiederholung Operatoren Konkatenierung $string1 = "Z"; # Z $string2 = "a". " ". "b" ; # a b $string1 = $string1.$string2; # Za b $string1.= $string2; # Kurzform eq / ne Zum Vergleich von Strings Abschneiden chomp entfernt nur Zeilenumbruch (\n) chop entfernt das letzte Zeichen 3

4 String und Array context Länge bestimmen $laenge $laenge = length ($string); Achtung: length ("ä") ist 2! Umkehren (Reversieren) $gespiegelt = reverse = 4

5 Groß- und Kleinschreibung lc / uc $mix = "abcde"; $lowercase = lc $mix; # abcde $uppercase = uc $mix; # ABCDE lcfirst / ucfirst $lfirst = lcfirst $uppercase;# abcde $Ufirst = ucfirst $lowercase;# Abcde 5

6 Substring substr (string, pos, laenge) gibt Teil des Strings zurück (Zählung ab 0!) $mix = "abcde"; $part = substr ($mix, 2, 2);# Cd Ohne Längenangabe: alles ab pos bis Ende $part = substr ($mix, 1); # BCdE wenn Längenangabe negativ: vom Ende her soviele Zeichen nicht $part = substr ($mix, 1, -2); # BC $part = substr ($mix, 0,-1);# abcd 6

7 Substring substr (string, pos, laenge) = neu ersetzt im Originalstring das Stück der Länge laenge ab der Position pos durch neu: $mix = "abcde"; substr($mix, 2, 1)= "XYZ"; # abxyzde ist keine Länge angegeben, wird alles ab Position pos durch neu ersetzt: $mix = "abcde"; substr($mix, 3)= "XYZ"; # abcxyz 7

8 Vorkommen suchen Ist ein bestimmter Buchstabe in einem String enthalten, z.b. ein "A" in einer DNA-Sequenz? $dna = "AcGTttaAcG"; $dna = uc $dna; for (my $i=0; $i < length($dna); $i++){ if (substr($dna, $i, 1) eq "A"){ print "found A at position $i\n"; last; 8

9 Vorkommen zählen $dna = uc ("AcGTttaAcG"); $A = 0; for (my $i=0; $i < length($dna); $i++) { if (substr($dna, $i, 1) eq "A" ) { $A++; print "found $A occurences of 'A' in $dna\n"; ziemlich umständlich teure String-Vergleiche funktioniert nur bei genauer Übereinstimmung 9

10 Match Operator $string =~ /muster/ # enthält muster? muster kann ein normaler String, eine Variable oder ein regulärer Ausdruck sein $string!~ /muster/ # enthält muster nicht? $string =~ /muster/g global sonst wird nur der 1. Treffer erkannt $string =~ /muster/i Groß-/Kleinschreibung ignorieren ist langsam, darum besser erst den String mit lc oder uc umwandeln 10

11 Auf Vorkommen prüfen $dna = uc ("AcGTttaAcG"); if ($dna =~ /A/) { print "found A\n"; else { print "found no A\n"; Schnell und einfach Und wo ist sind jetzt die As? 11

12 Auf Vorkommen prüfen $& speichert den letzten Treffer pos($string) gibt die Position im durchsuchten String an, an der dieser letzte Treffer endet => Anfang des Treffers ist an der Position pos($string)-length($&) (Zählung ab 0) $dna = uc ("AcGTttaAcG"); while ($dna =~ /A/g) { my $position = pos ($dna); print "found $& at", $position-length($&), "\n"; 12

13 Vorkommen finden und zählen Nur das erste A finden: if ($dna =~ /A/) { my $position = pos ($dna); print "found $& at", $position-length($&), "\n"; Alle As zählen: my $Actr = 0; while ($dna =~ /A/g) { # ohne g: Endlosschleife! $Actr++; print "found $Actr occurences of 'A'\n"; 13

14 Zählen und finden zu suchendes Muster als Variable my $dna = "AAACGAACG"; my $position = 0; my $CpG = "CG"; my $CpGctr = 0; while ($dna =~ /$CpG/g) { $position = pos ($dna); print "found $& at ", $position - (length $&), "\n"; $CpGctr++; print "found $CpGctr occurences of 'CpG'\n"; 14

15 Alternierung oder [] eins von den angegebenen [^] alles ausser den angegebenen Beispiele: AC GT # AC oder GT A[CG]T # identisch zu A[C G]T; passt auf ACT und AGT C[^G] # C in nicht-cpg-kontext [a-za-z0-9_ ] # alle alphanumerischen Zeichen 15

16 Sonderzeichen Position im String ^ Anfang $ Ende Abkürzungen. # irgendein Zeichen außer \n \s # [ \t\n\f\r] whitespace (Leerzeichen, Tab, newline, form feed, carriage return) \w # [a-za-z0-9_ ] alphanumerische Zeichen \W # [^a-za-z0-9_ ] nicht-alphanumerische Zeichen \d # [0-9] Ziffern Beispiele: $string = "abc def abc"; $string =~ /c$/ # findet das zweite c $string =~ /^a/ # findet das erste a $string =~ /\sa/ # findet das zweite a 16

17 Quantifizierer Das unmittelbar vor dem Quantifizierer stehende Zeichen soll gesucht werden:? 0-1 Mal * 0-unendlich Mal; sucht den längsten Treffer ("greedy"); wenn mehrere gleich lange längste, wird der erste genommen + 1-unendlich Mal; greedy für alle gilt: mit? dahinter nicht greedy, 1. Treffer, z.b. *? {n genau n Mal {n, mindestens n Mal {n,m n bis m Mal Sollen mehrere Zeichen beachtet werden, so müssen diese Klammern: /ab{2/ => abb /(ab){2/ => abab Beispiele: /A[AC]+/ => A gefolgt von möglichst vielen A und/oder C /A{5,$/ => Poly-A tail 17

18 Escape \[Spezialzeichen] z.b. um einen Punkt zu finden: \. (denn. Steht für irgendein Zeichen!) auch nötig für / \ ( [ + - und für ^ wenn es am Anfang des Musters steht Alternative: Alterierung z.b. [.] Muster für Leerzeile: /^\s*$/ gegen das leaning toothpick syndrome" kann man statt der / auch irgendein anderes nicht-alphanumerisches Zeichen verwenden, z.b. $verzeichnispfad =~ m,/usr/local/bin, 18

19 IUPAC ambiguous nucleaotide symbols Cornish-Bowden 1985, Nucl. Acids Res. 13: Beispiele: HaeI Erkennungsstelle: RGCGCY [AG]GCGC[CT] Bindestelle für TP73 (Konsensussequenz): RRRCWWGYYY [AG]{3C[AT]{2G[CT]{3 19

20 Beispielskript #! /usr/bin/perl use strict; use warnings; my $dna = "AGCGCTAGGCTTGCCT"; my $position = 0; my $HaeI="[AG]GCGC[CT]"; my $TP53 = "[AG]{3C[AT]{2G[CT]{3"; while ($dna =~ /$HaeI/g) { $position = pos ($dna); print "found match for HaeI: $& at ", $position - (length $&), "\n"; while ($dna =~ /$TP53/g) { $position = pos ($dna); print "found match for TP53: $& at ", $position - (length $&), "\n"; exit; 20

21 Weiterführende Informationen perldoc perlretut perldoc perlre 21