文字列を、括弧内のコンマで区切られているのを避けてコンマで区切りたい（応用編）

前提・実現したいこと

Pythonテキスト処理を行うに当たり、括弧内のコンマで区切られているのを避けてコンマで分けたリストを作成したいと考えています。
下記の過去投稿が非常に参考になりましたが、もう少し応用した仕様での解決方法をご教授いただきたく、質問させていただきます。
https://teratail.com/questions/172793

内容

Python
1line = '1,2, 3, (4, 5)In, In(Out(6,7),(8, 9), (10, 11)), 12'

上記の文字列を

Python
1['1', '2', '3', '(4, 5)In', 'In(Out(6,7),(8, 9), (10, 11))', '12']

のように、リスト化したいのですが、
下記2点の解決方法が分からず、悩んでいます。

括弧の前後の文字列も含めてカタマリにしたい
括弧は入れ子も含めて、最外の括弧でカタマリにしたい

※2.が上手くできれば、下記のように該当のカタマリをさらに再帰的に処理できるはず。。

Python
1line_detail = 'Out(6,7),(8, 9), (10, 11)'
2list_detail = ['Out(6,7)', '(8, 9)', '(10, 11)']

手詰まり中のコードは、下記になります。
なぜか、手元の環境（Python3.7.4）では、raw文字列表記が上手く効かなかったので、エスケープした見づらい表記になっています。

Python
1line = '1,2, 3, (4, 5)In, In(Out(6,7),(8, 9), (10, 11)), 12'
2list = re.findall('^(?!.*,).+\(.*?\)*|[^, ]+', line)
3print(list)
4['1', '2', '3', '(4', '5)In', 'In(Out(6', '7)', '(8', '9)', '(10', '11))', '12']

そもそも、正規表現だけで処理するのは難しいでしょうか？

melian

2022/06/10 01:55

括弧のマッチングに齟齬はない、という前提でよろしいですか？

k-ura

2022/06/10 01:58

必ず "(" と ")" の数が同じか、ということでしょうか？そこは同じ前提です。

melian

2022/06/10 02:01

ありがとうございます、承知しました。

行動規範の内容に同意します

回答2件

ベストアンサー

regex package を利用する場合。

python
1import regex as re
2
3line = '1,2, 3, (4, 5)In, In(Out(6,7),(8, 9), (10, 11)), 12'
4rx = r'(\((?:[^()]++|(?1))*\))(*SKIP)(*F)|,\s*'
5
6lst = [*filter(None, re.split(rx, line))]
7print(lst)
8
9#
10['1', '2', '3', '(4, 5)In', 'In(Out(6,7),(8, 9), (10, 11))', '12']

投稿2022/06/10 02:31

melian

総合スコア19701

k-ura

2022/06/10 03:01

ありがとうございます。素晴らしいですね！やりたいことが見事に実現できています。 rxの表現部分は、じっくりと解読してみます。取り急ぎ、御礼申し上げます。

k-ura

2022/06/10 05:00 編集

確認遅くなりまして、すみません。勉強不足で申し訳ないのですが、下記について可能な範囲で教えていただけないでしょうか？まず、正規表現による分割パターン rx = r'(\((?:[^()]++|(?1))*\))(*SKIP)(*F)|,\s*' を分解して、理解してみました。 ① (\((?:[^()]++|(?1))*\)) 最外()のパターンの中に、入れ子()も含む (?:[^()]++ これは、入れ子()のパターン表現でしょうか？　末尾の++の意味が分かりませんでした。 |(?1) or (?1) の意味が分かりませんでした。 ② (*SKIP)(*F) 上記①に当てはまったら、その後はスキップするという意味でしょうか？ SKIPとFの使い方が分かりませんでした。 ③ |,\s* or カンマで始まる文字列次に、rx = r'(\((?:[^()]++|(?1))*\))(*SKIP)(*F)|,\s*' の r' ですが、これはraw文字列（エスケープなし）で表現するためのものですよね？上記のパターンで \( のようにエスケープしているのは、なぜでしょうか？（基本的な質問ですみません）私の環境では、 rx = r'(\((?:[^()]++|(?1))*\))(*SKIP)(*F)|,\s*' でも rx = '(\((?:[^()]++|(?1))*\))(*SKIP)(*F)|,\s*' でも同じ結果でした。

melian

2022/06/10 08:12

① の "++" について、possessive quantifier という正規表現でして、以下を参照してみて下さい。理解しづらいかもしれませんが、私が説明するよりは正確かと思います。 What is double plus in regular expressions? https://stackoverflow.com/questions/4489551 "|(?1)" の "(?1)" は自分自身 "(\((?:[^()]++|(?1))*\))" を指していて、この場合は入れ子になっている括弧をマッチさせるための正規表現なのです。再帰(recursive call)を思い起こしてみるとよいかと思います。 ② については、以下の SKIP と FAIL の項目に説明があります。 perlre - Perl 正規表現 https://perldoc.jp/docs/perl/5.10.1/perlre.pod "(*SKIP)" は、対応する括弧("(...)")をスキップしてマッチングを再開させます。ただ、無条件に再開すると、例えば "(4, 5)In" が "(4, 5)" と "In" に分割されてしまうので、それを防ぐために "(*F)" を付けています。 ③ の raw 文字についてですが、これは私個人の癖なのです。「この文字列は正規表現ですよ」ということを示すために "r" プレフィックスを付けています。なので付けなくても構いません。

k-ura

2022/06/10 09:41

①について、キーワード（possessive quantifier）と参考サイトのご教授ありがとうございました。参考サイトやキーワードでググってみて、バックトラックしないマッチ方法なんだと少し理解しました。下記も参考になりました。 https://qiita.com/vicboss1002/items/804cc899e16a4c6f358c "(?1)"が自分自身を指すことも、承知しました。 ②についても丁寧な解説ありがとうございます。下記のサイトも参考に、ちょっとだけ理解しました。こんなこともできるんですね。 https://manual.calibre-ebook.com/ja/regexp_quick_reference.html ③の"r"についてもご説明ありがとうございます。確かに分かりやすいプレフィックスですね。私も真似してみようと思います。以上、短時間にいろいろとご丁寧に教えていただき、誠にありがとうございました。正規表現については、ある程度分かったつもりになっていましたが、改めて奥深さやまだまだ知らないことが多く、大変勉強になりました。

行動規範の内容に同意します