正規表現で特定の文字列までを取得したい。

Question

###前提・実現したいこと
pythonで正規表現を使って文字列を取得しようとしています。

ーーーーーーーーーーーーーーーーーーーーーーー
ドンペリ【高級品】 １９９５年 5434
ロマネコンティ【高級品】更新 ２００１年 12990
ボルドー更新 1994年 4500
トゥレーヌ 2000年 21000
タヴェル【高級品】 １９９５年 5434
カシス【高級品】更新 ２００１年 12990
ガヤック更新 1994年 4500
アザー 1984年 11500
ーーーーーーーーーーーーーーーーーーーーーーー

上記のデータから商品名（ドンペリ、ロマネコンティ、ボルドー、トゥレーヌ、タヴェル、カシス、ガヤック）のみを正規表現で抽出したいです。

上記データの特徴は次の通りです。
・商品名 補足情報 発売年 価格の順番で並んでいる。
・補足情報は「【高級品】」「更新」の2種類で、片方だけ表示される場合、両方共表示される場合、両方共表示されない場合がある。
・価格は数字のみで単位は無い。

###発生している問題
商品名のみを取得したいにも関わらず、それ以外のデータも取得してしまう。
また、特定のデータではうまくいく正規表現も他のデータではうまくいかない。

###該当のソースコード

import re
print(re.search("(.+)([【更0-9])", "ドンペリ【高級品】 １９９５年 5434").group(1)) 

###試したこと
print(re.search("(.+)([【更0-9])", "ドンペリ【高級品】 １９９５年 5434").group(1))
上記の正規表現では「ドンペリ【高級品】 １９９５年 543」が取得されてしまいました。
私の意図としては(.+)で商品名とマッチし、([【更0-9])で「【」か「更」か「数字」のどれかにマッチすればそこで正規表現での文字列取得が終了し、「ドンペリ」という文字列のみが取得される想定でした。

しかし、実際には([【更0-9])が一番最後の数字4とマッチしてしまい、(.+)は「ドンペリ【高級品】 １９９５年 543」とマッチしてしまいました。

Answer 1

import re

data = """ドンペリ【高級品】 １９９５年 5434
ロマネコンティ【高級品】更新 ２００１年 12990
ボルドー更新 1994年 4500
トゥレーヌ 2000年 21000
タヴェル【高級品】 １９９５年 5434
カシス【高級品】更新 ２００１年 12990
ガヤック更新 1994年 4500
アザー 1984年 11500"""

name_list = re.findall(r"(?m)^[^【更\s]*", data)
print(name_list)
# ['ドンペリ', 'ロマネコンティ', 'ボルドー', 'トゥレーヌ', 'タヴェル', 'カシス', 'ガヤック', 'アザー']

Answer 2

print(re.search("(.+?)[【更 ]", "ドンペリ【高級品】 １９９５年 5434").group(1))
# => ドンペリ

• .+ を使った場合、可能な限り多くの文字にマッチしようとします。.+? を使うことで、なるべく少ない文字にマッチします。
• 年号が全角だったのと、どうやら年号の前にスペースが入っているようだったので、文字クラスは [【更 ] としてみました。

Answer 3

pythonについて詳しいことはわかりませんが、先頭の欲張りマッチの部分を非欲張りマッチに変更すれば良いのでは?

print(re.search("(.+?)([【更0-9])", "ドンペリ【高級品】 １９９５年 5434").group(1))

多分上記の様な感じかと思います。

Comments

[takaponn92]

非欲張りマッチという方法があったのですね。無事解決しました！ありがとうございました！