Python 正規表現 姓名の摘出について

Question

正規表現で様々なパターンで来る姓名を摘出したいのですが少ないコードで書きたいと思っております。

python2.7 でメール
から氏名を抜き出したいと考えております
上下には他のデータも入ってる予定です。
現在このような形で書いており、
もう少しシンプルな書き方があるとは思いますが
どう書いたらいいのかわからず質問させていただきます。

該当のソースコード

            name = re.search(r"予約者名カナ：(\S+)\s+(\S*)", msg, re.MULTILINE)
            if name:
                name_first = name.group(1)
                name_last = name.group(3)
            if not name:
                name = re.search(r"名前カナ：(\S+)　(\S+)", msg, re.MULTILINE)
                name_first = name.group(1)
                name_last = name.group(2)
            if not name:
                name = re.search(r"名前カナ：(\S+)", msg, re.MULTILINE)
                name_first = name.group(1)

日時：〜〜〜〜〜〜
パターン（１）名前カナ：田中太郎
パターン（2）名前カナ：田中 太郎
パターン（3）名前カナ：田中　太郎
生年月日：〜〜〜〜〜
後ろに半角スペース・全角スペース・改行が来ても
取り出せるようにしたいと思っております。

試したこと

これでパターン押さえれるかと思ったのですが、サーチにひっかりませんでした。どこが違うのでしょうか？

            name = re.search(r"名前カナ：([^　]+)( |　)+(\S*)", msg, re.MULTILINE)
            if name:
                name_first = name.group(1)
　　　　　　　if name.group(3):
                name_last = name.group(3)

Comments

[maisumakun]

「平光清」のように、「平光 清」か「平 光清」か、切り方がわからない名前が来ることもあるかと思いますが、その点は大丈夫でしょうか？

[daichanman]

ご指摘ありがとうございます。
来るデータに空白があれば氏名を分ける考えで、空白がなければ
３番目のif で姓名一緒に摘出できたらと考えております。
後々はそういう事もやりたいとは思いますがまだまだ素人の為、
そこまでの実装は今回考えておりません。

Answer 1

正規表現を使わずとも、str.splitで充分なように思います。

name_lst = msg.split()

if len(name_lst) == 1:
    name_first, = name
elif len(name_lst) == 2:
    name_first, name_last = name
else:
    非マッチ時の処理

余計な文字も工夫すれば適当に除去できます。

>>> 'Yamada Tarou'.split()
['Yamada', 'Tarou']
>>>
>>> 'Name:Yamada Tarou'.split()
['Name:Yamada', 'Tarou']
>>> 'Name:Yamada Tarou'[5:].split()
['Yamada', 'Tarou']
>>> 'Name:Yamada Tarou'.split(':')[1].split()
['Yamada', 'Tarou']

その他、気になること

Python2.7を使っていること
サポートが2020年始に打ち切られるので、乗り換えることを強く推奨します。

re.MULTILINE
これはアンカー ^$ の振る舞いを制御するフラグで、行を跨いだマッチには向きません。
使うとすればre.DOTALLですが、これも . と併用して初めて効果を発揮します。

Comments

[daichanman]

回答ありがとうございます。
質問の詳細が抜けており申しわけございません。
今回メールからデータを抜き出したいと思っておりました。
日時：
名前カナ：
誕生日：
その他：
のようなメールから摘出を考えております。

現在勉強中で的はずれな事言っていましたら申し訳ありません。

参考等や元データが2.7の為そのままやっておりました。
そうなのですね！ありがとうございます3.0に移行し勉強しいきたいと思います。

このような場合はre.MULTILINEはつけないほうがいいでしょうか？
それとも　^名前カナ：　で書いたほうがいいいのでしょうか？

[LouiS0616]

> このような場合はre.MULTILINEはつけないほうがいいでしょうか？

必要で無い限り付けなくて良いです。

> ^名前カナ：　で書いたほうがいいいのでしょうか？

アンカーを指定するなら、^$より\A\Zの方が後々の混乱が少ないかもしれません。
Python3.xはre.fullmatchを提供するので、それを使うのも良い方法です。

[LouiS0616]

> ～のようなメールから摘出を考えております。

ええと、つまり次のような文面からも『山田』『太郎』を抽出したいのでしょうか？
---
日時：
名前カナ：山田
太郎
誕生日：
その他：

[daichanman]

ありがとうございます。勉強になります。
混乱させてしまい申し訳ありません。
名前：カナの1行の中にデータが来ます。

日時：
名前カナ：山田　太郎　←この行に来るデータが(山田太郎　)(山田 太郎)(山田　太郎)だったりする
誕生日：
その他：

[LouiS0616]

ああ、なるほど。
『後ろに半角スペース・全角スペース・改行が来ても』という記述から、姓名が改行で分割されるパターンもあるのだと思っていました。

まずsplit('\n')で各項目を分割して、その後に姓名の抽出に取り組むのが楽でしょう。
辞書を適宜使うと今後拡張する際にスムーズかもしれません。

[LouiS0616]

文全体から一発で姓名を抽出したい(姓名以外の情報は無視する)のであれば、確かに正規表現が有用です。re.MULTILINEの出番もあります。
ちょっと回答に追記するので、少々お待ち下さい。

[LouiS0616]

あー、しかし『山田太郎　』はちょっと厄介ですね。
『山田　太郎　』とか『　山田　太郎　』とかもあり得るんでしょうか？

[daichanman]

ありがとうございます。理解しました。確かにsplitが楽ですね。考えてた時間が勿体なかったです。
splitは1つのデータの物という考えがあり
\nで行を1行1行句切って使う考えが思いつきませんでした。
お手数かけますが正規表現も気になりますので、御教授して頂ければ大変助かります。

[daichanman]

頭にスペースは無いですが、山田太郎の後ろに半角・全角ｽﾍﾟｰｽは有り得ます。

[LouiS0616]

『山田　太郎　』『山田太郎』みたいなパターンも踏まえると、強引には次のように書けます。
re.search(r'^名前カナ：(\S+)\s*?(\S*)\s*$', msg, flags=re.MULTILINE)

実際には名前部分だけ抽出してきて、stripして両端の空白文字を省いてからsplitするのが簡単でしょう。

[daichanman]

わざわざありがとうございました。何度も追記していただき本当に感謝です。これを踏まえて色々試してやってみます。