Python テキスト処理の虎の巻：re.Pattern.split() で複雑なパターンも楽々分割

Python テキスト処理：re.Pattern.split() の詳細解説

Pythonでテキスト処理を行う際、文字列を分割することは非常に重要な操作です。標準ライブラリの str.split() メソッドはシンプルで使いやすいですが、より複雑な分割処理には正規表現を用いた re.Pattern.split() メソッドが役立ちます。

re.Pattern.split() は、正規表現パターンに基づいて文字列を分割する関数です。

引数

• pattern: 分割に使用する正規表現パターン
• string: 分割対象の文字列
• maxsplit: 分割の最大回数 (デフォルト: 0 - 無制限)

動作

re.Pattern.split() は、パターンにマッチする部分文字列を区切り文字として、文字列を分割します。

サンプルコード

import re

# パターン: 空白文字
pattern = r"\s+"

# 文字列
string = "これは テキスト処理 の サンプルです"

# 分割
result = re.Pattern(pattern).split(string)

# 結果
print(result)

出力結果:

['これは', 'テキスト処理', 'の', 'サンプルです']

正規表現パターンの活用

re.Pattern.split() は、様々な正規表現パターンを用いることで、柔軟な分割処理を実現できます。

特定文字列で分割

pattern = r","

string = "a,b,c,d"

result = re.Pattern(pattern).split(string)

print(result)

出力結果:

['a', 'b', 'c', 'd']

数字と文字で分割

pattern = r"\d+"

string = "abc123def456ghi"

result = re.Pattern(pattern).split(string)

print(result)

出力結果:

['abc', '123', 'def', '456', 'ghi']

複数のパターンで分割

pattern = r"[,.]"

string = "a,b.c,d"

result = re.Pattern(pattern).split(string)

print(result)

出力結果:

['a', 'b', 'c', 'd']

maxsplit オプションを指定することで、分割の最大回数を制限できます。

pattern = r"\s+"

string = "これは テキスト処理 の サンプルです"

# 最大分割回数: 2
result = re.Pattern(pattern).split(string, maxsplit=2)

print(result)

出力結果:

['これは', 'テキスト処理', 'の サンプルです']

flags オプションで、正規表現の動作を制御できます。

• re.IGNORECASE: 大文字と小文字を区別しない
• re.MULTILINE: 複数行にわたるパターンマッチ

pattern = r"^.+:"

string = """
これは
テキスト処理
のサンプルです
"""

# 複数行にわたるパターンマッチ
result = re.Pattern(pattern, flags=re.MULTILINE).split(string)

print(result)

出力結果:

['これは', 'テキスト処理', 'のサンプルです']

まとめ

re.Pattern.split() は、正規表現を用いて複雑な分割処理を行う強力なツールです。パターンを理解し、オプションを活用することで、様々なテキスト処理を効率的に実行できます。

re.Pattern.split() のサンプルコード集

• 空白文字で分割

pattern = r"\s+"

string = "これは テキスト処理 の サンプルです"

result = re.Pattern(pattern).split(string)

print(result)

出力結果:

['これは', 'テキスト処理', 'の', 'サンプルです']

• カンマで分割

pattern = r","

string = "a,b,c,d"

result = re.Pattern(pattern).split(string)

print(result)

出力結果:

['a', 'b', 'c', 'd']

• 句読点で分割

pattern = r"[,.]"

string = "a,b.c,d"

result = re.Pattern(pattern).split(string)

print(result)

出力結果:

['a', 'b', 'c', 'd']

文字列パターン

• 数字と文字で分割

pattern = r"\d+"

string = "abc123def456ghi"

result = re.Pattern(pattern).split(string)

print(result)

出力結果:

['abc', '123', 'def', '456', 'ghi']

• 英単語とそれ以外で分割

pattern = r"\b\w+\b"

string = "This is a sample text."

result = re.Pattern(pattern).split(string)

print(result)

出力結果:

['This', 'is', 'a', 'sample', 'text']

複数のパターン

• 数字、空白、句読点で分割

pattern = r"[0-9\s,.]+"

string = "1, 2, 3.14, abc"

result = re.Pattern(pattern).split(string)

print(result)

出力結果:

['', '1', '', '2', '', '3.14', '', 'abc']

• 英単語と数字で分割

pattern = r"\b\w+\b|\d+"

string = "This is 123 a sample 456 text."

result = re.Pattern(pattern).split(string)

print(result)

出力結果:

['This', 'is', '123', 'a', 'sample', '456', 'text']

その他

• 空白行を削除して分割

pattern = r"(?:\s*|^)\n(?:\s*|$)"

string = """
これは
テキスト処理

のサンプルです
"""

result = re.Pattern(pattern, flags=re.MULTILINE).split(string)

print(result)

出力結果:

['これは', 'テキスト処理', 'のサンプルです']

• HTMLタグで分割

pattern = r"</?\w+>"

string = """
<h1>これは</h1>
<p>テキスト処理</p>
<h2>のサンプルです</h2>
"""

result = re.Pattern(pattern).split(string)

print(result)

出力結果:

['<h1>', 'これは', '</h1>', '<p>', 'テキスト処理', '</p>', '<h2>', 'のサンプルです', '</h2>']

まとめ

これらのサンプルコードは、re.Pattern.split() の様々な使用方法を示しています。

re.Pattern.split() 以外の文字列分割方法

str.split() メソッド

標準ライブラリの str.split() メソッドは、最もシンプルで使いやすい方法です。

string = "a,b,c,d"

result = string.split(",")

print(result)

出力結果:

['a', 'b', 'c', 'd']

スライス操作

単純なパターンで分割する場合、スライス操作を使用できます。

string = "abc123def456ghi"

result = string[::3]

print(result)

出力結果:

['a', 'd', 'g']

list comprehension

条件に基づいて分割したい場合、list comprehension を使用できます。

string = "abc123def456ghi"

result = [char for char in string if char.isalpha()]

print(result)

出力結果:

['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i']

モジュール

特定の形式の文字列を分割する場合、専用のモジュールを使用できます。

• CSV ファイル: csv モジュール
• JSON データ: json モジュール
• XML データ: xml.etree モジュール

まとめ

re.Pattern.split() は、正規表現を用いて柔軟な分割処理を行う強力な方法です。しかし、状況によっては他の方法の方が効率的であったり、簡潔に記述できる場合があります。