正規表現で'テキストABC-DE12,34FG(H)ABC-IJ56,78,90KLテキスト'から'ABC-DE12,34FG(H)'と'ABC-IJ56,78,90KL'を抽出したい

Question

実現したいこと

OCR化した文書の中から、特定の文字列を抽出したいのですが、うまくいきません。
例えば、'テキストABC-DE12,34FG(H)ABC-IJ56,78,90KLテキスト'とある中から'ABC'ではじまって'ABC'や日本語の手前の範囲を抽出したいと思っています。

splitやfindallでもうまくいかず、いい方法をアドバイスいただけないでしょうか？

該当のソースコード

import re
string = 'テキストABC-DE12,34FG(H)ABC-IJ56,78,90KLテキスト'

re.split(r"(ABC)", string) 
# 結果は、['テキスト', 'ABC', '-DE12,34FG(H)', 'ABC', '-IJ56,78,90KLテキスト']となって別途文字連結や日本語処理が必要になる。

re.findall(r"ABC.*(?=ABC)", string) 
# 結果は['ABC-DE12,34FG(H)']となり、前半は抜けるが後半を抜けない

re.findall(r"ABC.*?((?=ABC)|テ)", string)
# ['', 'テ']が返ってきます。

re.findall(r"ABC.*?((?=ABC)|(?=テ))", string)
# ['', '']

# ほしい結果は['ABC-DE12,34FG(H)', 'ABC-IJ56,78,90KL']

Comments

[yambejp]

pythonタグをつけたほうがよいでしょう

[MagMag]

失礼しました。追記しました。

[退会済みユーザー]

この例だけだと re.split(r'(?<!^)(?=ABC)', s.strip('テキスト')) でいけますが、もっと例を追加した方が良いと思います。

Answer 1

'ABC'ではじまって'ABC'や日本語の手前の範囲

をそのまま書くと、re.findall(r"ABC.*?(?=ABC|[^!-~]|$)",string)
ただし「日本語」という指定は面倒なので「ASCII以外」にしました。本当に「日本語」と言う条件が必要なら修整してください。

Comments

[MagMag]

ありがとうございます！

Answer 2

要件が今ひとつはっきりしないところがありますが、考え方として、以下のような方向でどうでしょうか?

re.findall(r"(ABC.*?(?=ABC|テキスト|$))", a)

Comments

[MagMag]

ありがとうございます！できました。なお、自分でのトライアルでは、"ABC"と"テ"をor条件で先読みする意図で以下のように()でくくって|を記述していたつもりですが、この記法だとなぜ駄目なのかわかりますでしょうか？

re.findall(r"ABC.*?((?=ABC)|(?=テ))", string)　　# ['', '']が返ってくる

[KojiDoi]

今見返してみると、私が提示したコードは微妙に不自然でした。こんな感じにすべきだったかと思います。
```
re.findall(r"ABC.*?(?=ABC|?=テキスト|$)", string)
```

> この記法だとなぜ駄目なのか

正規表現の中に`()`で囲まれた部分があると、その括弧の中の正規表現にマッチする部分文字列を返そうとするからです。
例えば以下のようにするとABCに続く一文字（ここではマイナス記号）だけが返ってくるはずです。
```
out = re.findall(r"ABC(.)", string)
print(out)
```

上で提示した正規表現では、括弧の中に「位置にマッチする正規表現」しか含まれていないので、返ってくる文字列は空文字列になります。
(...)のかわりに(?:...)を使うとこのようなことは起こりません。

[MagMag]

ありがとうございます！括弧についても理解できました。
ただ、追記いただいた以下だとエラーが出たので、元のいただいた回答で対応しようと思います。
```
re.findall(r"ABC.*?(?=ABC|?=テキスト|$)", string)
```