日本語のみの抽出ができない。

Question

Pythonを学び始めたばかりの者です。
テキストデータを読み込み、そのデータから英語の抽出と日本語の抽出をするためre.findallを使ってみたのですが、日本語のほうがうまくいきません。出力すると英語と日本語どちらも表示されてしまいます。お分かりになる方がいましたら、ぜひ教えてください。

import re

source = 'words.txt'
with open(source) as f:
    data = f.read()

english_words = re.findall('[a-z]+', data)
ja = re.findall(r'\s.*\n', data)
print(ja)

”words.txt”の中身はメモ帳に張り付けた英単語と日本語の意味です。

Answer 1

正規表現を使う場面では無いように思います。

en_words = []
ja_words = []

for line in data.splitlines():
    en, ja = line.split(maxsplit=1)

    en_words.append(en)
    ja_words.append(ja)

これで充分では。

---

正規表現を使うとしてもfindallで二回走査するのでは無く、
各行について英語部と日本語部を抽出するのが簡単でしょう。

Answer 2

\s が改行にマッチしているからです。実際に使われている空白が何なのかわかりませんが、それを使うといいのではないでしょうか。

本文中にも空白があるので、その扱いをどうするかも決める必要があります。

Answer 3

次のコードを研究してみてください。

words.txt

accept	...を受け入れる
achieve	...を達成する

w.py

dictionary = {}
source = 'words.txt'

with open(source) as f:
    for line in f.readlines():
        # 改行コードを削除して, TAB で分割する
        words = line.strip().split("\t")
        if len(words) > 1:
            dictionary[words[0]] = words[1] 

print(list(dictionary.keys()))
print(list(dictionary.values()))
print(dictionary

実行例

ひとつの英単語に復数の日本語訳があるときの処理をどうするかは適宜 工夫してみてください。
上のコードでは最初の訳だけを dictonary に保持しています。