Pythonの正規表現がうまくいきません

Question

Pythonの正規表現について
空行(\n\n)で文章を区切るために、

re.split(r’\n\n’, text)

としたのですが、改行(\n)の箇所でも文章が区切られてしまいます。
空行で区切って改行で区切らない正規表現を教えてください。

Comments

[TakaiY]

「改行(\n)の箇所でも文章が区切られてしま」うということはないと思いますが、そう判断したときの文字列データと結果を教えていただけますか。

[Yamachan]

勘違いをしていて、仰る通り\nで区切られてしまうことはありませんでした。

https://peps.python.org/pep-0020/
ところで実際は、この文章を"."と"!"と"\n\n"で区切りたいのですが、変数textに上の文章を代入して
```python
sentences = re.split(r'[!|.|(\n\n)]', text)
print(sentences)
```
とすると、'Readability', 'counts'のように改行部分で区切られてしまいます。
よろしければ、改行で区切られない方法を教えてください。

（以下略文）
parse is better than dense. Readability
counts.
Special cases aren't special enough to break(続く）
このような感じの文章です

[TakaiY]

「"."と"!"と"\n\n"で区切りたい」のであれば、
[!|.|(\n\n)] ではありません。 []は中の何れかの文字で区切るときに使います。文字ごとなので、これだと改行も含まれてしまいます。 (「|」も含まれますね)
グループ毎の何れかしたいのであれば、
(?:!|\.|\n\n)
でしょうか。
(回答っぽいので、回答にコピーしときました)

[Yamachan]

ご回答ありがとうございます。
しかしながら、上手くいきませんでした。
[' ', ' ', ' ', ... , ' \n', ... ' ']と出力されました。
!|.|\n\nでも試しましたが、1文字ずつに区切れてしまいました。

Answer 1

text = 'a aa\n\nbbb\ncc c\nddd\n\neee'
import re

# # \n\n が2連続したら split
res = re.split(r'(\n\n)', text)
print(res)
# 出力結果 ['a aa', '\n\n', 'bbb\ncc c\nddd', '\n\n', 'eee']

# \n\n が不必要ならば、res リストから削除する
filltered = list(filter(lambda x: x!='\n\n', res))

print(filltered) 
# 出力結果 ['a aa', 'bbb\ncc c\nddd', 'eee']

できれば正規表現だけで処理したかったですが、あんまり得意ではないので

Comments

[melian]

\n\n が不要な場合は、res = re.split(r'\n\n', text) でよいのではないでしょうか。

Answer 2

「"."と"!"と"\n\n"で区切りたい」のであれば、
[!|.|(\n\n)] ではありません。 []は中の何れかの文字で区切るときに使います。文字ごとなので、これだと「!か|か.か|か\ｎか\ｎか」となってしまい 改行も含まれてしまいます。

グループ毎の何れかしたいのであれば、
(?:!|\.|\n\n)
でしょうか。
(?: ) にしないと、マッチしたものそのものも含まれてしまいます。

Comments

[otn]

> これだと「!か|か.か|か\ｎか\ｎか」となってしまい
( と ) もですね。

[otn]

(?:!|\.|\n\n) か (?:[!.]|\n\n) ですね。

[TakaiY]

ああ、原稿には入ってるのですが、エスケープしないとだめなんですね。 直しておきます。

[Yamachan]

お二方、ありがとうございます。望みどおりに区切れました。
最後に１つ質問させてください。
"?:"は、どういった働きをしているのかが分かりません。
少し調べましたが、理解できませんでした..

[TakaiY]

？: を外して使ってみるとわかりますが、正規表現での() にはグループ化の他にキャプチャという機能があります。(?: xxx) とすると、 キャプチャ無しでグループ化だけすることができます。
？: 無しで実行すると、リストの中に区切りとして指定された.や！も含まれていることがわかると思います。キャプチャされているため、抽出の候補となっているわけです。
質問の例ではそれらは必要ないようなので、()のキャプチャの機能だけ無効化するため、?: を加えています。

公式だとここで説明されています。
https://docs.python.org/ja/3/library/re.html