[Python] 正規表現でグループ化を用いて抽出する方法

Pythonで正規表現を使用してグループ化し、特定の部分を抽出するには、reモジュールの()を使ってグループを定義します。

re.search()やre.match()を使用してマッチを行い、group()メソッドでグループにアクセスできます。

例えば、r"(\d+)-(\w+)"というパターンでは、数字部分と文字部分をそれぞれグループ化できます。

group(1)で最初のグループ、group(2)で2番目のグループを取得します。

この記事でわかること

正規表現の基本的な概念
グループ化の重要性と利点
Pythonでのグループ化の実装方法
実践的なデータ抽出の例

目次から探す

正規表現とは

正規表現(Regular Expression)は、文字列のパターンを表現するための強力なツールです。

特定の文字列を検索したり、置換したり、抽出したりする際に非常に便利です。

Pythonでは、reモジュールを使用して正規表現を扱います。

正規表現は、特定の文字や文字列の組み合わせを指定することで、複雑な検索条件を簡潔に表現できます。

例えば、メールアドレスや電話番号、特定のフォーマットの日付など、さまざまなデータを効率的に処理することが可能です。

正規表現を使うことで、手作業でのデータ処理を大幅に軽減し、プログラムの効率を向上させることができます。

グループ化の基本

グループ化とは

グループ化とは、正規表現において特定の部分をまとめて扱うための機能です。

これにより、複雑なパターンを簡潔に表現でき、特定の部分を抽出したり、置換したりする際に便利です。

グループ化は、主に括弧()を使用して行います。

グループ化された部分は、後で参照したり、個別に取得したりすることができます。

グループ化のための()の使い方

グループ化を行うには、正規表現の中で括弧()を使用します。

例えば、(abc)というパターンは、文字列の中で abc という部分をグループとして扱います。

以下のサンプルコードでは、グループ化を用いて文字列から特定の部分を抽出する方法を示します。

import re
text = "私の電話番号は 090-1234-5678 です。"
pattern = r"(\d{3})-(\d{4})-(\d{4})"
match = re.search(pattern, text)
if match:
    print("グループ1:", match.group(1))  # 090
    print("グループ2:", match.group(2))  # 1234
    print("グループ3:", match.group(3))  # 5678

グループ1: 090
グループ2: 1234
グループ3: 5678

グループ番号とgroup()メソッド

グループ化された部分は、group()メソッドを使用して取得できます。

group(0)は全体のマッチを返し、group(1)、group(2)と続けて、各グループの内容を取得します。

グループ番号は、左から右に0から始まるインデックスで割り当てられます。

これにより、特定の部分を簡単に参照できます。

グループ化の利点

グループ化を使用することで、以下のような利点があります。

スクロールできます

利点	説明
特定部分の抽出	必要な情報を簡単に取得できる。
複雑なパターンの簡素化	複雑な正規表現を整理し、可読性を向上させる。
再利用性の向上	グループを使って同じパターンを繰り返し使用できる。
条件付きマッチングの実現	グループを使って条件に応じたマッチングが可能。

これらの利点により、正規表現を用いたデータ処理がより効率的かつ効果的になります。

Pythonでのグループ化の実装

re.search()を使ったグループ化

re.search()は、文字列の中から正規表現にマッチする部分を検索し、最初に見つかったマッチを返します。

グループ化を用いることで、特定の部分を簡単に抽出できます。

以下のサンプルコードでは、電話番号の形式を検索し、グループ化を利用して各部分を取得します。

import re
text = "連絡先は 03-1234-5678 です。"
pattern = r"(\d{2,4})-(\d{2,4})-(\d{4})"
match = re.search(pattern, text)
if match:
    print("市外局番:", match.group(1))  # 03
    print("市内局番:", match.group(2))  # 1234
    print("加入者番号:", match.group(3))  # 5678

市外局番: 03
市内局番: 1234
加入者番号: 5678

re.match()を使ったグループ化

re.match()は、文字列の先頭から正規表現にマッチする部分を検索します。

文字列の先頭に特定のパターンがあるかを確認する際に便利です。

以下のサンプルコードでは、文字列の先頭にある日付形式をグループ化して抽出します。

import re
text = "2023-10-01 は特別な日です。"
pattern = r"(\d{4})-(\d{2})-(\d{2})"
match = re.match(pattern, text)
if match:
    print("年:", match.group(1))  # 2023
    print("月:", match.group(2))  # 10
    print("日:", match.group(3))  # 01

年: 2023
月: 10
日: 01

re.findall()でのグループ化

re.findall()は、文字列の中から正規表現にマッチするすべての部分をリストとして返します。

グループ化を使用することで、各マッチのグループを個別に取得できます。

以下のサンプルコードでは、複数のメールアドレスを抽出します。

import re
text = "連絡先: test@example.com, info@domain.com"
pattern = r"(\w+)@(\w+\.\w+)"
matches = re.findall(pattern, text)
for match in matches:
    print("ユーザー名:", match[0], "ドメイン:", match[1])

ユーザー名: test ドメイン: example.com
ユーザー名: info ドメイン: domain.com

re.finditer()でのグループ化

re.finditer()は、文字列の中から正規表現にマッチする部分をイテレータとして返します。

これにより、マッチごとに詳細な情報を取得できます。

以下のサンプルコードでは、複数の電話番号を抽出します。

import re
text = "電話: 090-1234-5678, 03-9876-5432"
pattern = r"(\d{2,4})-(\d{2,4})-(\d{4})"
matches = re.finditer(pattern, text)
for match in matches:
    print("市外局番:", match.group(1), "市内局番:", match.group(2), "加入者番号:", match.group(3))

市外局番: 090 市内局番: 1234 加入者番号: 5678
市外局番: 03 市内局番: 9876 加入者番号: 5432

グループ化の結果を取得する方法

グループ化された結果は、group()メソッドを使用して取得します。

group(0)は全体のマッチを返し、group(1)、group(2)と続けて、各グループの内容を取得できます。

これにより、必要な情報を簡単に取り出すことができます。

グループ名を使った抽出

Pythonの正規表現では、グループに名前を付けることも可能です。

これにより、グループを名前で参照でき、可読性が向上します。

以下のサンプルコードでは、名前付きグループを使用して日付を抽出します。

import re
text = "今日は2023年10月01日です。"
pattern = r"(?P<year>\d{4})年(?P<month>\d{2})月(?P<day>\d{2})日"
match = re.search(pattern, text)
if match:
    print("年:", match.group("year"))  # 2023
    print("月:", match.group("month"))  # 10
    print("日:", match.group("day"))    # 01

年: 2023
月: 10
日: 01

このように、グループ名を使うことで、コードの可読性が向上し、特定の情報を簡単に取得できるようになります。

グループ化の応用

複数のグループを使った抽出

複数のグループを使用することで、複雑なデータから必要な情報を効率的に抽出できます。

以下のサンプルコードでは、住所から都道府県、市区町村、番地を抽出します。

import re

text = "東京都新宿区西新宿2-8-1"
pattern = r"(?P<prefecture>.+?都)(?P<city>.+?区)(?P<address>.+)"
match = re.search(pattern, text)
if match:
    print("都道府県:", match.group("prefecture"))  # 東京都
    print("市区町村:", match.group("city"))        # 新宿区
    print("番地:", match.group("address"))         # 西新宿2-8-1

都道府県: 東京都
市区町村: 新宿区
番地: 西新宿2-8-1

ネストされたグループの扱い

ネストされたグループを使用することで、より複雑なパターンを表現できます。

以下のサンプルコードでは、日付の形式をネストされたグループで抽出します。

import re
text = "2023年10月01日"
pattern = r"(?P<date>(?P<year>\d{4})年(?P<month>\d{2})月(?P<day>\d{2})日)"
match = re.search(pattern, text)
if match:
    print("全体の日付:", match.group("date"))  # 2023年10月01日
    print("年:", match.group("year"))          # 2023
    print("月:", match.group("month"))         # 10
    print("日:", match.group("day"))           # 01

全体の日付: 2023年10月01日
年: 2023
月: 10
日: 01

非キャプチャグループ(?:…)の使い方

非キャプチャグループは、特定の部分をグループ化するが、その内容を取得しない場合に使用します。

これにより、正規表現の可読性を向上させることができます。

以下のサンプルコードでは、電話番号の形式を非キャプチャグループを使って検証します。

import re
text = "090-1234-5678"
pattern = r"(?:\d{3})-(\d{4})-(\d{4})"
match = re.search(pattern, text)
if match:
    print("市内局番:", match.group(1))  # 1234
    print("加入者番号:", match.group(2))  # 5678

市内局番: 1234
加入者番号: 5678

グループの繰り返しと抽出

グループを繰り返すことで、同じパターンが複数回出現する場合に対応できます。

以下のサンプルコードでは、カンマ区切りの数値を抽出します。

import re
text = "1, 2, 3, 4, 5"
pattern = r"(\d+)"
matches = re.findall(pattern, text)
print("抽出した数値:", matches)  # ['1', '2', '3', '4', '5']

抽出した数値: ['1', '2', '3', '4', '5']

グループ化と条件分岐

グループ化を使用することで、条件に応じたマッチングが可能になります。

以下のサンプルコードでは、異なる形式の日付を処理します。

import re
text = "2023/10/01 または 2023-10-01"
pattern = r"(?P<year>\d{4})[-/](?P<month>\d{2})[-/](?P<day>\d{2})"
matches = re.finditer(pattern, text)
for match in matches:
    print("年:", match.group("year"), "月:", match.group("month"), "日:", match.group("day"))

年: 2023 月: 10 日: 01
年: 2023 月: 10 日: 01

このように、グループ化を活用することで、さまざまな条件に応じたデータの抽出や処理が可能になります。

実践例

日付フォーマットの抽出

日付のフォーマットを抽出するためには、正規表現を使用して特定の形式を指定します。

以下のサンプルコードでは、YYYY-MM-DD形式の日付を抽出します。

import re
text = "イベントは2023-10-01に開催されます。"
pattern = r"(\d{4})-(\d{2})-(\d{2})"
match = re.search(pattern, text)
if match:
    print("年:", match.group(1))  # 2023
    print("月:", match.group(2))  # 10
    print("日:", match.group(3))  # 01

年: 2023
月: 10
日: 01

電話番号の抽出

電話番号を抽出する際には、一般的な形式を正規表現で指定します。

以下のサンプルコードでは、ハイフン区切りの電話番号を抽出します。

import re
text = "私の電話番号は 090-1234-5678 です。"
pattern = r"(\d{3})-(\d{4})-(\d{4})"
match = re.search(pattern, text)
if match:
    print("市外局番:", match.group(1))  # 090
    print("市内局番:", match.group(2))  # 1234
    print("加入者番号:", match.group(3))  # 5678

市外局番: 090
市内局番: 1234
加入者番号: 5678

メールアドレスの抽出

メールアドレスを抽出するためには、ユーザー名とドメイン名のパターンを指定します。

以下のサンプルコードでは、テキストからメールアドレスを抽出します。

import re
text = "連絡先: test@example.com, info@domain.com"
pattern = r"(\w+)@(\w+\.\w+)"
matches = re.findall(pattern, text)
for match in matches:
    print("ユーザー名:", match[0], "ドメイン:", match[1])

ユーザー名: test ドメイン: example.com
ユーザー名: info ドメイン: domain.com

URLの抽出

URLを抽出するためには、一般的なURLのパターンを正規表現で指定します。

以下のサンプルコードでは、テキストからURLを抽出します。

import re
text = "ウェブサイトは https://www.example.com です。"
pattern = r"https?://[^\s]+"
match = re.search(pattern, text)
if match:
    print("抽出したURL:", match.group(0))  # https://www.example.com

抽出したURL: https://www.example.com

HTMLタグの抽出

HTMLタグを抽出するためには、タグのパターンを正規表現で指定します。

以下のサンプルコードでは、HTML文書からタグを抽出します。

import re
text = "<div>こんにちは</div><p>これはテストです。</p>"
pattern = r"<(.*?)>"
matches = re.findall(pattern, text)
print("抽出したタグ:", matches)  # ['div', 'p']