文字列から正規表現を使って英単語のみを抽出する

Question

#やりたいこと

• Python 3.9.5

ここにひとつの文字列があります

'{q:2,num:20,title:"バラバラフィスティバル！",width:596,height:686,xalign:10,yalign:10,stage:[[2,1,2,7],[3,2,1,3,2],[6,3,3,3,1],[4,1,1,2,5],[1,2,1,3,2,5],[2,1,1,2,3,3,1],[2,2,1,1,2,1],[1,3,1,1,1],[2,1,4,1,1],[2,1,4,1,1],[1,2,4,1,1],[4,1,1,1],[2,2,1,1,2,1],[1,1,2,2,3,3,1],[3,1,3,2,5],[5,1,1,2,5],[6,3,2,5],[6,2,4,3,1],[3,1,1,4,2],[2,2,8],[1,2,4,2,3],[2,2,2,2,4],[3,2,2,5],[5,5,5],[4,2,3,5],[3,3,3,3,4],[3],[7,3,7],[2,2,5,2,2],[3,1,1,3,2],[2,1,1,1,1],[1,4,6],[5,7],[3,3],[2,3,4,2],[1,5,6,1],[1,16,1],[1,3,4,1],[2,14,2],[3,3]],chk:0}'

「:」を対にして辞書のような形式に見えますが、Pythonで辞書として扱うにはkeyの部分を
ダブルクォーテーションで囲ってあげる必要があります。

ライブラリreのfindallと正規表現を使って、「,」と「:」の間にある何文字かをリストとして
取り出してあげて、ダブルクォーテーションを付けた後にまた元に戻してあげられないかを考えています。

つまりはこういうことですね

import re

text = "辞書っぽいひとつの文字列"

key_list = re.findall(r",(.*?):", text)

r",(.*?):" について簡単に説明すると
「,」と「:」の間にある何文字かを指定しています。
一番最初の「,」から一番最後の「:」まで全部含まれてしまわないよう「?」つき

さて、このkey_listを主力してみましょう。

# 見やすいようにfor文
for key in key_list:
    print(key)

num
title
width
height
xalign
yalign
stage
1,2,7],[3,2,1,3,2],[6,3,3,3,1],[4,1,1,2,5],[1,2,1,3,2,5],[2,1,1,2,3,3,1],[2,2,1,1,2,1],[1,3,1,1,1],[2,1,4,1,1],[2,1,4,1,1],[1,2,4,1,1],[4,1,1,1],[2,2,1,1,2,1],[1,1,2,2,3,3,1],[3,1,3,2,5],[5,1,1,2,5],[6,3,2,5],[6,2,4,3,1],[3,1,1,4,2],[2,2,8],[1,2,4,2,3],[2,2,2,2,4],[3,2,2,5],[5,5,5],[4,2,3,5],[3,3,3,3,4],[3],[7,3,7],[2,2,5,2,2],[3,1,1,3,2],[2,1,1,1,1],[1,4,6],[5,7],[3,3],[2,3,4,2],[1,5,6,1],[1,16,1],[1,3,4,1],[2,14,2],[3,3]],chk

最後が惜しいです。数字のリストの中にも「,」が使われているのでそちらを先に拾ってしまいました。
また、一つ目のkey「q」の前には「,」がないので取りこぼしてしまいました。

##その他に試したこと
そのほかにもこのような正規表現も試しました。

import re

text = "辞書っぽいひとつの文字列"

# 取りこぼし回避に意図的に","を先頭に付与して上書き、あとでまた消す？
text = text.replace("{", "{,")

key_list = re.findall(r",(\D+):", text)

今度は「,」と「:」の間にある数字以外の文字列(\D+)を指定してみました。
結果は

q
num
title:"バラバラフィスティバル！",width
height
xalign
yalign
stage
chk

少し希望の出力に近づきましたが、今度はtitle直後の「:」が認識されず
クオーテーションなどをエスケープしましたが変化なしでした。

##教えてほしいこと
未熟な私の考えつく限りは尽くしました。
ここで希望する出力さえ出せればあとは冒頭の説明通りクオーテーションを付けて
元に戻し、evalを使用して実際に辞書として使っていきたいと思います。

質問内容としては、「うまく取り出す方法や改善点をご教示ください」です。
その他、根本的な着眼点のミスや解決方法もお受付しております。

拙い説明ですが、どうぞよろしくお願いします。

Comments

[lehshell]

すでに辞書化の回答が出ているので、正規表現について
key にしたい部分はアルファベットで始まっていますから
key_list = re.findall(r"[,{]([a-zA-Z].*?):", text)
で抽出できるでしょう。

[otn]

(\D+)でなく(\D+?)にしていれば、このデータについてはうまくいくでしょう。
最初は ? を付けてたのに何故忘れちゃったんでしょう？

Answer 1

stackoverflowに同じようなこと質問してる人がいて、それのBAになってるこれ

https://stackoverflow.com/a/50947875

を使ったら一応できるっぽい。
どうするかというと、その長い文字列

text = '{q:2,num:20,title:"バラバラフィスティバル！",width:596,height:686,xalign:10,yalign:10,stage:[[2,1,2,7],[3,2,1,3,2],[6,3,3,3,1],[4,1,1,2,5],[1,2,1,3,2,5],[2,1,1,2,3,3,1],[2,2,1,1,2,1],[1,3,1,1,1],[2,1,4,1,1],[2,1,4,1,1],[1,2,4,1,1],[4,1,1,1],[2,2,1,1,2,1],[1,1,2,2,3,3,1],[3,1,3,2,5],[5,1,1,2,5],[6,3,2,5],[6,2,4,3,1],[3,1,1,4,2],[2,2,8],[1,2,4,2,3],[2,2,2,2,4],[3,2,2,5],[5,5,5],[4,2,3,5],[3,3,3,3,4],[3],[7,3,7],[2,2,5,2,2],[3,1,1,3,2],[2,1,1,1,1],[1,4,6],[5,7],[3,3],[2,3,4,2],[1,5,6,1],[1,16,1],[1,3,4,1],[2,14,2],[3,3]],chk:0}'

に対して、

import re
import json

json_text = re.sub("(\w+):", r'"\1":',  text)
dic = json.loads(json_text)

とすると、dicに辞書が入ってくると思われます。

---

補足：

上記の回答についているコメントの

This regex approach is very unsafe. It will alter values that happen to contain colons. See my answer for a safe solution.

Inigo　May 4 '20 at 19:49

は気になる指摘なので、ETOLEAさんご自身の問題解決において、そのまま使って問題ないかを点検する必要はありそうです。

Comments

[ETOLEA]

頂いたソリューションでばっちりでした！
早期ご解答まことに感謝です！

[退会済みユーザー]

それはよかったですう〜????