正規表現で(' | ')とすると、' | 'のような()がない場合と表示が異なる

Question

正規表現を学習中に表題の表な問題が生じ、検証するために以下のようなコードを書いてみました。

import re

pattern1 = '(、|。)'
pattern2 = '、|。'
pattern3 = '[、。]'
pattern4 = '(?:、|。)'

saying = '前へ、前をむく。そして、歩き出す'

print(re.split(pattern1, saying))
# >>>['前へ', '、', '前をむく', '。', 'そして', '、', '歩き出す']
print(re.split(pattern2, saying))
# >>>['前へ', '前をむく', 'そして', '歩き出す']
print(re.split(pattern3, saying))
# >>>['前へ', '前をむく', 'そして', '歩き出す']
print(re.split(pattern4, saying))
# >>>['前へ', '前をむく', 'そして', '歩き出す']

句読点で文字列を区切るというコードです。
re.splitはpartternに記載されている文字でsayingを区切りリストで表示するという解釈です。
pattern1なのですが、なぜか区切ろうとしている文字(、。)もリストに組み込んでしまっています。
pattern2,3,4はいずれも思った通りに区切っています。
pattern4はキャプチャを無効化するとネットに書いてあったので試しにやってみたら成功しました。

()というのは自分の中では
①グループ化し、メタ文字で操作できる　例(st)+$とするとstのまとまりとして操作できる
②キャプチャして、操作できる　例m.group([1])とするとキャプチャのうちの一番先頭の文字が表示される
という解釈です。

上記のpattern1ではキャプチャが何かしていると思うのですが、理由が結局わかりません。
pattern1で区切り文字もリストに追加されている件について、ご教授いただけるととても助かります。
よろしくお願いします。

ちなみに、(?:)の?:はキャプチャを無効化するとあったのですが、そもそも?:についての情報が調べてもあまり出てこないので、?:はキャプチャを無効化すると覚えてしまうだけで大丈夫でしょうか？また、キャプチャを無効化するという操作は実際に使い所(利点)があるのかについてご存知であったら、教えていただけると幸いです。

mac 10.14.1

Answer 1

端的に言えば、仕様です。

re.split(pattern, string, maxsplit=0, flags=0)

string を、pattern があるたびに分割します。キャプチャグループの丸括弧が pattern で使われていれば、パターン内のすべてのグループのテキストも結果のリストの一部として返されます。

Python 標準ライブラリ » re — 正規表現操作

---

ちなみに、(?:)の?:はキャプチャを無効化するとあったのですが、そもそも?:についての情報が調べてもあまり出てこないので、?:はキャプチャを無効化すると覚えてしまうだけで大丈夫でしょうか？

グループ化はしたいけれど、キャプチャしたくないときに使います。

import re


src = '123abab456ababab789cdcd123'

print(*re.split(r'(ab){2,}', src))
print(*re.split(r'(?:ab){2,}', src))

実行結果 Wandbox

123 ab 456 ab 789cdcd123
123 456 789cdcd123

どうしても必要になるような場面は、それこそre.splitと併用するときくらいだと思います。

Comments

[gunmed]

回答ありがとうございます。つい()の方に気を取られ、re.splitは参考書の定義しかみてませんでした。
LouiS0616さんの例で挙げていただいたように、r'(ab){2,}'とすると、ababやabababのような区切り文字となりうる文字列が出てきた位置に、(ababやabababではなく)キャプチャの中身、つまりabをリストに追加してしますのですね。だから、abが123、456、789cdcd123の間に追加されたということと解釈できました。
使い所も参考にしていきます。

Answer 2

splitの機能をちゃんと調べなかったのでしょうか？

https://docs.python.org/ja/3.7/library/re.html

re.split(pattern, string, maxsplit=0, flags=0)

string を、出現した pattern で分割します。 pattern 中でキャプチャの丸括弧が使われていれば、パターン中の全てのグループのテキストも結果のリストの一部として返されます。（後略）

質問の例のように、区切り文字が複数あり得るときに、どの区切り文字で区切られたのかを知りたいというケースで使います。

Comments

[gunmed]

回答ありがとうございます。
つい()の方に気を取られ、re.splitは参考書の定義しかみておらず、リサーチ不足でした。
URLまでありがとうございます。参考にして学習します。