質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.48%

  • Python

    12201questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • Python 3.x

    10213questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

【アイデアがわかない】特定の文字列にリンクを挟む方法における問題点

解決済

回答 3

投稿 編集

  • 評価
  • クリップ 1
  • VIEW 643

starrow1103

score 105

 前提とやりたいこと

[前提]
・固有名詞が登録されたリストwords = [a,b,c,d...]がある
・とある文章AA = textが存在する

(実際には固有名詞は映画の作品名、文章はその感想とします。)

[やりたいこと]
・文章Aの中に固有名詞のいずれかが含まれる場合、該当する固有名詞にリンクタグを付与する

 やっていること

for word in words:
    if word in text:
        replace_word = '<a href="/">%s</a>' % word
        text = text.replace(word,replace_word)


(↑後で気づいたけど、ifいらないですね)

 問題となっていること

仮に、リストwordsの中に同じ文字列を含んでしまうものが存在した時、おかしくなります。

例)映画の作品には、シリーズ化されていてそのタイトルを冠するものが多い

words = ['アイアンマン','アイアンマン2']


この場合、文章を検索した時にまずアイアンマンについてリンクを付与したなら、問題は発生しませんが、
先にアイアンマン2にリンクが付与された場合、その中に含まれるアイアンマンが次に付与されてしまいますよね。

これは、作品名が全く異なっても起こりうる問題であると考えています。

 お願いします

この問題を回避する方法を考えています。
良いアイデアがありましたら、ご教授いただけませんでしょうかm(_ _)m

よろしくお願いします。

 追記

タイトルの長い順から検索していき、当てはまったタイトルが他のタイトルを含んでいる時、他のタイトルをリストから除外して再ループというのが一番効率的でしょうか、、、

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 3

+2

もう解決済みですが、wordsの数がそれほど多く無いのであれば、正規表現でもできると思ったので記載いたします。 最長一致の順番でリンクに置き換えていくのは、can110さんと一緒です。

import re

words = ['アイアンマン', 'アイアンマン2', 'アイアンマン3', 'アイアンマン22']

text = """
アイアンマン22アイアンマン3アイアンマン2
アイアンマン2アイアンマン アイアンマン3
アイアンマンXアイアンマン22アイアンマン3
"""

words_str = '|'.join([re.escape(s) for s in sorted(words, key=lambda k: -len(k))])
REGEX_KEYWORDS = re.compile(r'({})'.format(words_str), re.MULTILINE)
result = REGEX_KEYWORDS.sub(r"<a href='/'>\1</a>", text)

print(result)

結果は下記のようになります。

<a href='/'>アイアンマン22</a><a href='/'>アイアンマン3</a><a href='/'>アイアンマン2</a>
<a href='/'>アイアンマン2</a><a href='/'>アイアンマン</a> <a href='/'>アイアンマン3</a>
<a href='/'>アイアンマン</a>X<a href='/'>アイアンマン22</a><a href='/'>アイアンマン3</a>

また、はてなキーワードの実装についての考察なども、参考になると思いました。

http://d.hatena.ne.jp/tsugehara/20120909/1347190811

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/03/31 10:10

    ありがとうございます!

    うーむ、今の知識ではちょっと理解に及ばないところがいくつかあるので、ちょっと勉強してみますね。
    wordの数が少ないのであれば、という条件付きということから、一度単語帳から「変換リスト」なるものをre.compileで作成しているという感覚でよろしいでしょうか。

    キャンセル

  • 2017/03/31 16:00 編集

    感覚的にはあってますね。より簡単な例だと、正規表現は下記のようなことをやっています。

    re.sub(r'(アイアンマン2|アイアンマン)', r'<a>\1</a>', re.MULTILINE)

    r'(アイアンマン2|アイアンマン)'

    この正規表現の中の 「|」は or の役割をします。つまりアイアンマン2かアイアンマン にマッチするという意味でです。左から順番にマッチするかチェックされるので、「文字数が長いキーワードを左から順番に並べる」ことをすれば「最長一致」のマッチングができます。

    r'<a>\1</a>',

    その正規表現を ( ) で囲んでグループ化して、マッチしたキーワードを 「\1」があるところに置換しています。

    re.MULTILINE

    re.MULTILINEという引数は複数行のテキストに対しても正規表現を適用するというオプションです。(通常は改行コードが入ってると、それ以降のテキストは正規表現の対象外になります = 1行しか対応してくれない)

    キャンセル

checkベストアンサー

+1

こんな感じですかね。
長い順から探して置換するのは、この手の処理では常套手段です。

# text中に存在する全wordsを置換する
def rep_words( words, text):

    # text中のwordを「置換識別子」に置き換える
    rep_map = {} # 置換識別子 -> 実際に置換したい文字列 のマップ
    for word in words:
        if word in text:
            rep_str = '<<<rep%d>>>' % (len(rep_map) + 1)   # 置換識別子 = textに現れないような文字列にする
            rep_map[rep_str] = '<a href="/">%s</a>' % word
            text = text.replace( word, rep_str)

    print(text) # テスト出力

    # 置換識別子 -> 置換したい文字列に置き換える
    for k,v in rep_map.items():
        text = text.replace( k,v)

    return text

words = ['アイアンマン','アイアンマン2','アンパンマン']
# wordsは長さの降順であること
words.sort(key=len)
words.reverse()
print(words)

print(rep_words(words,'アイアンマン2はアイアンマンとは違う'))
print(rep_words(words,'アイアンマンはアンパンマンとは違う'))

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/03/30 17:10

    なななるほど!!!

    一度、タグ付けをしてタグに応じた値をもう一度割り当てるということですね。
    なるほどなるほど・・・。

    勉強になりました。ありがとうございましたm(_ _)m

    キャンセル

0

Python使ったことないのでアイデアのみですが、
形態素解析でそれなりにいけるかと思います。
完全一致で検索可能かと。
ライブラリ使えば固有名詞は辞書で登録できますし。

ただし学習コストとCPUと結構使います。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

同じタグがついた質問を見る

  • Python

    12201questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • Python 3.x

    10213questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。