0

以下のプログラムにおいて、結果をコード中のコメント部分に書きました。
このプログラムは、すべての漢字文字列を抽出するためのものですが、どういうわけか、「私」と「首都」だけが取り出せません。

特定の単語が抽出できないわけはないので、困っています。
よろしくお願いいたします。

import re 

print(re.findall('[亜-熙]+', '私の名前は堀内です。'))   #  --> ['名前', '堀内']
print(re.findall('[亜-熙]+', '君の名前は堀内です。'))   #  --> ['君', '名前', '堀内']
print(re.findall('[亜-熙]+', '君の私は堀内です。'))     #  --> ['君', '堀内']
print(re.findall('[亜-熙]+', '私の私は私です。'))       #  --> []
print(re.findall('[亜-熙]+', '日本の首都は東京です。')) #  --> ['日本', '東京']
print(re.findall('[亜-熙]+', '首都の首都は首都です。')) #  --> []
4
  • 2
    どういう意図で [亜-熙] と書きましたか?
    – int32_t
    Commented 2月6日 6:52
  • 「亜」の Unicode コードポイントは U+4E9C, 「熙」は U+7199 です。一方、「首」は U+9996「都」は U+90fd なので範囲外になります。また、「私」は U+79c1 なので、こちらも範囲外です。
    – metropolis
    Commented 2月6日 7:17
  • 1
    ちなみに、regex · PyPI は Unicode プロパティに対応しているので、import regex as re としてインポートして、re.findall(r'\p{Han}+', '首都の首都は首都です。') などとします。
    – metropolis
    Commented 2月6日 7:29
  • 質問者です。よくわかりました。Unicodeが制定される以前に得た知識でした。
    – TaifuKunei
    Commented 2月6日 10:26

2 件の回答 2

2
  • のコードポイントが U+4E9C
  • のコードポイントが U+7199
  • が U+79C1 U+9996 U+90FD

ですので、当然マッチしません。

すべての漢字にマッチさせるには \p{Han} と書くのが簡単なのですが、Python 標準の re ではこの表記に対応していません。対応している他の Python 用正規表現エンジンは存在はしているようです。

どうしてもreでやる必要があるなら、対応させたいコードポイントを調べて書き下すしかないと思います。例えば「CJK統合漢字だけマッチすればよい」という条件であるなら、[\u4E00-\u9FFF] でいいでしょう。

0

[一-龥]で表示されます。
Unicodeブロックの範囲を指定する必要があります。
Shift_JISなどの`[亜-熙]'の範囲には含まれていないためです。

3
  • ググってみましたら、以下の方法が見つかりました。
    – TaifuKunei
    Commented 2月6日 13:52
  • [\x{2E80}-\x{2FDF}々〇〻\x{3400}-\x{4DBF}\x{4E00}-\x{9FFF}\x{F900}-\x{FAFF}\x{20000}-\x{3FFFF}] のパターンです。これでやってみます。
    – TaifuKunei
    Commented 2月6日 13:53
  • 回答について、文字の情報は画像ではなく文字のまま投稿してください。
    – cubick
    Commented 2月7日 0:48

この質問に回答するには、ログインする必要があります。

求めていた回答ではありませんか? のタグが付いた他の質問を参照する。