正規表現で特定文字をsplitしたい

Question

やりたいこと

a = "ああああああ日本 | いいいいいいいいいい日本aaa.co.jp/日本/bbb"
上記のような文字変数に対して「aaa.co.jp」の前に位置する「日本」を split したい

困っていること

「日本」を split すると、他に位置する「日本」まで split してしまう。
そのため、規則的な文字配列を考えると「英数半角文字の直前に位置する」ことを条件にして、
「日本」を split すれば行けるのではと考えていますが、正規表現の組み合わせ方法が分からず、困っています。

Comments

[t_obara]

日本をsplitと言う表現に違和感を覚えますが、splitというからには日本を区切り文字として分離したいということですか？ある条件の場合の日本を抽出したいと言う意味ですか？それとも、単にaaa.co.jpというドメインを抽出したいということでしょうか？
また、一部回答で提示されていますが正規表現の場合、条件が重要なので、想定される条件を箇条書きでご提示されるとより適切な回答を得られやすくなるかと思います。

[KojiDoi]

>「日本」を split すると、他に位置する「日本」まで split してしまう。
t_obaraさんもいっているように、これはいったいどんな結果を期待しているのかよく分かりません。
その「ほかに位置する「日本」までsplit」してしまったコードを示してください。期待した結果と実際に得られた結果を両方書いてください。

[hitohito.pitcha]

拙い伝え方でご迷惑をお掛けしております。

期待している結果としては、以下のような配列に変換したいです。

a = "ああああああ日本 | いいいいいいいいいい日本aaa.co.jp/日本/bbb"

↓

a = ["ああああああ日本 | いいいいいいいいいい","aaa.co.jp/日本/bbb"]

splitを用いて、特定位置（ドメイン表記前）にある
特定文字列（日本）を分割して、リストとして格納したいです。

[KojiDoi]

「特定文字列（日本）を分割して、」という表現は、標準的な日本語では、"日本"という文字列を"日"と"本"に分けることを意味します。あなたのやりたいことはおそらく、「対象文字列を特定文字列＊で＊分割する」でしょう。

[hitohito.pitcha]

ご指摘の通りでございます。補足説明ありがとうございます。

Answer 1

肯定的先読みが正解のようです。

import re

a = "ああああああ日本 | いいいいいいいいいい日本aaa.co.jp/日本/bbb"
b = re.split(r'日本(?=[a-zA-Z0-9.]+)', a)

Comments

[hitohito.pitcha]

やりたいことが実現できました！

理解不足の中で拙い質問に、お付き合いいただき、ありがとうございました。
大変感謝しております。今後もよろしくお願いします。

Answer 2

「英数半角文字の直前に位置する」

ということですね。

r'日本(?=\w)`

\wだと下線も含まれるので、下線を除きたければ[A-Za-z0-9]で。

また、

「日本」を split したい

は、文章の意味をなしません。文字列処理プログラミングにおけるsplitの意味が分かってない、もしくは、日本語の助詞が苦手、のどちらからだと思います。どういう結果が欲しいのか具体的に書きましょう。

Answer 3

aaa.bbb.ccc「が」先にくるパターンですよね？

正規表現の先読みを使うと良いのです。
列車の中なので、確認できず合っているかは保証できませんが
(?<=aaa.bbb.ccc/)日本
でいけるのではないでしょうか

Comments

[hitohito.pitcha]

早急に回答いただき、ありがとうござます！

条件としましては、aaa.bbb.ccc「が」後にくるパターンになります。
提示例だと「日本aaa.co.jp」の「日本」をsplit したいです。

また、複数の変数を一括splitすることも予定してるため、
上記のように「aaa.co.jp」が固定値ではなく「bbb.co.jp」になる場合もあります。
共通していることは、URL部分になるので、英数半角文字が規則になります。