正規表現（Python）

Question

現在、Python3.6(reモジュール使用)を用いて正規表現でファイル内にある2字の英単語"のみ"を抽出したいと考えています。

Perlであれば、

\b[A-Z][A-Z]\b

で抽出できることはわかったのですが、Pythonではうまくはいきません。
Pythonであればどのようにすれば抽出できるのでしょうか。

###正規表現で抽出したいファイル例

BURUNDI 	 	BI 	BDI 	108 	 3166-2
CAMBODIA 	 	KH 	KHM 	116 	 3166-2
CAMEROON 	 	CM 	CMR 	120 	 3166-2

###なってほしい結果

BI
KH
CM

Comments

[quickquip]

`\b`はPythonにも**あります**から、うまくいかないなら書き方が悪いだけでしょう。ソースを提示するべきです。

Answer 1

a = "BURUNDI          BI     BDI     108      3166-2"
print(re.findall("\b[A-Z][A-Z]\b", a))

Answer 2

\bは文字列の先頭、末尾も含めてマッチしますので・・・

think49さんがおっしゃるように単に正規表現の指定でのバックスラッシュのエスケープを正しく指定するという問題のように思います。

KojiDoiさん回答にあるように正規表現を文字列定数として指定するならバックスラッシュをエスケープして'\b'のように記述しなければなりません。

Pythonに限らず正規表現の仕様にある\bというようなパターンはバックスラッシュ文字\とbの2文字であることに注意が必要です。Pythonで文字列定数を記述する際に'\b'だとバックスペース文字と解釈されてしまい全然別の意味になります。

###別解
正規表現やWindowsのパス文字列に含まれるバックスラッシュ文字を一々エスケープするわずらわしさを解消する便利な記法としてPythonではr'...'という記法があるようです。こちらの方がお奨めかもです。(2.7でも3.6でも使えるようでした)

import re

for s in re.findall(r'\b[A-Z]{2}\b', 'AB CDE FG HIJ KL'):
    print(s)

===>
AB
FG
KL

Answer 3

\b

どのレベルの「単語」を求めているのか不明ですが、Pythonの単語は "alphanumeric characters" のようなので、それに倣うと仮定して、

• More Pattern Power - Python 3.6.4 documentation

\b
Word boundary. This is a zero-width assertion that matches only at the beginning or end of a word. A word is defined as a sequence of alphanumeric characters, so the end of a word is indicated by whitespace or a non-alphanumeric character.

\b を使わずに実現するとすれば、正規表現は下記になるでしょうか。

(?<![a-zA-Z\d])[A-Z]{2}(?![a-zA-Z\d])

(2018/01/17 23:42追記)

肯定先読み/後読みでは文字列の先端/終端にマッチしなかったので、否定先読み/後読みに変更しました。

エスケープシーケンス

文字列リテラルのエスケープシーケンスが考慮されていないだけのような気がしてきました。
先の正規表現を下記に変更して、期待通りに動作するなら、そういうこと(\ のエスケープが機能していない)ですね。

(?<![a-zA-Z0-9])[A-Z]{2}(?![a-zA-Z0-9])

Re: Villager さん