python 郵便番号の正規表現について

Question

郵便番号の正規表現の書き方についてご相談させてください。

address = '108-0023 東京都港区芝浦... 0120-111-0000'
result = re.findall(r'\d{3}-?\d{4}', address)
print(result)

out:
108-0023
111-0000

「108-0023」のみをマッチさせるにはどのように記述すべきか検討しております。
否定表現を組み合わせたら良いのかと調べてみましたが解決できませんでした。

稚拙な質問となるかと存じますが、ご教示いただけましたら幸甚です。
何卒よろしくお願い申し上げます。

Answer 1

正規表現が、^と$で囲まれているので、文字列全体にしかマッチしません。
r'\d{3}-?\d{4}'にすると、文字列の一部の郵便番号表記にマッチします。

がしかし、

'108−0023～～'

の8の後の文字が-じゃないので、この文字列にはマッチしません。U+2212 のようです。
Unicodeには、見ても区別がつかない別の字というのがいろいろあります。
こういうデータがあると、処理が難しいですね。
ぱっと見で-に見える文字を網羅するか、.を使っちゃうか。

Comments

[john_doe_]

ご丁寧にご指摘くださりありがとうございます。
こちらでも同様のことに気づき質問を修正させていただきました。

[otn]

あー、全然別の質問になってますね。

どちらが正しいと、何を以て判断するかを決めないと、プログラム化できません。
「最初にマッチしたもの」とか。

「文字列の先頭の」だと、`^`を復活させればいいです。

あと、それ以外の数字表現も考慮するなら、r'\b\d{3}-?\d{4}\b'でしょうか。
元のままだと、`12345-67890`等の`345-6789`にもマッチします。

[john_doe_]

質問の仕方に問題があり、申し訳ございません。
re.findall(r"\b\d{3}-?\d{4}\b" ,address)が一番都合が良さそうです。
ご丁寧にご教示いただきまして大変助かりました。誠にありがとうございます

Answer 2

何をもって「誤っている」というかによります。

r'^\d{3}-?\d{4}$'は、「123-4567や1234567が全体となっている文字列」にヒットしますので、「108−0023 東京都港区芝浦」には「ヒットしない」のが正しいです。

Comments

[john_doe_]

部分一致にはならないということですね。ありがとうございます。
自分で調べてみます。