（最終更新月：2023年7月）
✔このような方へ向けて書かれた記事となります
「Pythonで文字列を抽出する方法が知りたい」
「Pythonで文字列操作を効率的におこなう方法を教えて」
「具体的なPythonコード例ってないのかな」
✔当記事を通じてお伝えすること
- Pythonを用いた文字列抽出の基本
- 効率的な文字列操作のためのPythonコードの書き方
- Pythonを使った文字列抽出の実例
当記事では、Pythonを使った文字列抽出の基本から、効率的な操作方法に関する複数の実例を紹介しています。
ぜひ最後までご覧ください。
筆者プロフィール
【現職】プロダクトマネージャー
【副業】ブログ（月間17万PV）/YouTube/Web・アプリ制作
「プログラミング × ライティング × 営業」の経験を活かし、30後半からのIT系職へシフト。当サイトでは、実際に手を動かせるWebアプリの開発を通じて、プログラミングはもちろん、IT職に必要な情報を提供していきます。
【当ブログで紹介しているサイト】
✔人に見せても恥ずかしくないコードを書こう
「リーダブルコード」は、わかりやすく良いコードの定義を教えてくれる本です。
- 見るからにきれいなコードの書き方
- コードの分割方法
- 変数や関数の命名規則
エンジニアのスタンダートとすべき基準を一から解説しています。
何回も読むのに値する本なので、ぜひ手にとって読んでみてください。
Pythonにおける文字列操作の前提知識
こちらでは、文字列の基本概念と、Pythonで文字列を扱う理由について解説します。
- 文字列とは？
- Pythonで文字列を扱う理由
文字列とは？
文字列は、文字の並びのこと。
“Hello, World!”や”Python”などは文字列です。
文字列をダブルクォート(“)またはシングルクォート(‘)で囲むことで作成します。
プログラミング言語において、文字列はテキストデータを表現する基本的なデータ型です。
Pythonで文字列を扱う理由
Pythonで文字列を扱う理由は多岐にわたります。以下にいくつかの理由を挙げます。
- 文字列処理の柔軟性: Pythonは文字列を柔軟に操作できる豊富な組み込み関数やメソッドを提供しています。文字列を結合したり、分割したり、検索したり、置換したりするなど、様々な操作が簡単に行えます。
- テキストデータの処理: Pythonはテキストデータを処理するのに適しており、ファイルの読み書き、データの整形、解析、処理などに利用されます。例えば、CSVやJSONといったテキストベースのデータ形式を解析したり、テキストファイルから特定のパターンのデータを抽出したりする場合に活用されます。
- 文字列の操作によるデータ整形: Pythonはデータを文字列として整形するための多様な手段を提供しています。文字列内に変数や式を埋め込んだり、フォーマット指定子を使ったり、正規表現を使ったパターンマッチングを行ったりすることができます。これにより、データの可読性を向上させたり、特定のフォーマットに合わせてデータを整形したりすることが可能です。
- 自然言語処理やテキスト解析: Pythonは自然言語処理（NLP）やテキスト解析の分野で広く利用されています。テキストデータの前処理やトークン化、文の分割、単語の正規化、品詞タグ付け、文法解析など、さまざまなテキスト解析タスクをPythonのライブラリやツールを使って行うことができます。
Pythonの文字列操作基本
Pythonでの文字列操作の基本についてお伝えします。
- 文字列の作成と連結
- 文字列長の取得
- インデックスとスライスの違い
文字列の作成と連結
Pythonでは、文字列はダブルクォート(“)またはシングルクォート(‘)で囲んで作成します。
"hello"、'world'また、プラス記号(+)を使って文字列を連結することができます。
"hello" + " " + "world"文字列長の取得
len()関数を使用して、文字列の長さ（文字数）を取得できます。
length = len("hello world")インデックスとスライスの違い
インデックスは特定の位置の文字を取得するのに使用され、スライスは部分文字列を取得するのに使用されます。
"hello"[1] #インデックス
"hello"[1:4] #スライスPythonの文字列操作
Pythonには文字列を操作するための多くの手段が用意されています。
- 位置を指定して文字列を抽出
- インデックスを用いた抽出
- スライスを用いた抽出
- 文字数で抽出
- 全角文字の抽出
位置を指定して文字列を抽出
Pythonでは、指定した位置の文字を抽出できます。
文字列 “Python” の中から最初の文字を取り出すコードです。
s = "Python"
print(s[0]) # Output: "P"インデックスを用いた抽出
Pythonの文字列は、0から始まるインデックスで位置が指定可能。
特定のインデックスの文字を抽出できます。
以下が例です。
s = "Python"
print(s[2]) # Output: "t"スライスを用いた抽出
Pythonではスライスを用いて文字列の一部を抽出できます。
以下は、文字列 “Python” の中から2番目から4番目の文字を抽出方法です。
s = "Python"
print(s[1:4]) # Output: "yth"文字数で抽出
Pythonでは、文字列の文字数に基づいて文字を抽出も可能です。
例えば以下のコードは、文字列が5文字以上であれば抽出、そうでなければ抽出しないといった条件分岐になります。
text = "Hello, World!"
if len(text) >= 5:
extracted_text = text[:5] # 最初の5文字を抽出
else:
extracted_text = text
print(extracted_text)全角文字の抽出
Pythonでは、全角文字も、通常の文字と同様に抽出できます。
また、正規表現を使用して全角文字だけを抽出することも可能です。
import re
text = "Hello, こんにちは！"
extracted_text = re.findall("[^\x01-\x7E]", text)
print(''.join(extracted_text))
#「こんにちは！」が出力される文字列メソッドを使った抽出
Pythonの文字列メソッドを活用して、特定の文字や部分文字列を抽出する方法をお伝えします。
- splitとpartitionメソッドの活用
- 特定の文字より後ろを抽出する方法
splitとpartitionメソッドの活用
split()メソッドは、指定した区切り文字で文字列を分割し、リストとして返します。
"apple,banana,orange".split(",")
# 出力：["apple", "banana", "orange"]partition()メソッドは、指定した文字で文字列を3つに分割するものです。
text = "apple,banana,orange"
result = text.partition(",")
print(result)
#出力：('apple', ',', 'banana,orange')特定の文字より後ろを抽出する方法
find()メソッドを使って、特定の文字の位置を見つけた後、スライスを使ってそれ以降の文字を抽出します。
text = "hello world"
index = text.find("world")
print(text[index:])findメソッドについては以下の記事で詳しく解説しています。
正規表現を用いた文字列抽出
正規表現を使って、複雑なパターンの文字列を抽出する方法を探ります。
- 正規表現の基本
- 正規表現パターンの活用例
- キャプチャグループを用いた詳細抽出
- ワイルドカードパターン
- 貪欲マッチと非貪欲マッチ
- パターンの一部抽出
- 任意の1文字にマッチする抽出法
- 文字種で抽出
- 先頭・末尾からの抽出
- 複数のパターンで抽出
- 大文字小文字を区別しない抽出法
正規表現の基本
正規表現は、テキスト内の複雑なパターンをマッチさせるための強力なツールです。
Pythonではreモジュールを使って正規表現を扱います。
基本的なパターンは文字や数字を直接使って表現し、特殊文字を使って繰り返しや選択などを表現します。
正規表現については、こちらの記事が専門的にお伝えしています。
正規表現パターンの活用例
例えば、電話番号を抽出する場合、パターン例はこちら。
import re
phone_number_regex = r"\d{2,4}-\d{2,4}-\d{4}"
phone_number = "03-1234-5678"
if re.match(phone_number_regex, phone_number):
print("有効な電話番号です")
else:
print("無効な電話番号です")ここで\dは数字を、{n}は直前の文字がn回繰り返されることを表します。
キャプチャグループを用いた詳細抽出
キャプチャグループを使うと、正規表現の一部を括弧で囲んで、その部分だけを抽出できます。
import re
# 郵便番号の正規表現パターン
postal_code_regex = r"(\d{3})-(\d{4})"
# 文字列から郵便番号を抽出する
text = "東京都渋谷区代々木1-2-3、郵便番号は150-0041です。"
match = re.search(postal_code_regex, text)
# 抽出した郵便番号の各部分を表示する
if match:
postal_code = match.group()
area_code = match.group(1)
block_code = match.group(2)
print("郵便番号:", postal_code)
print("エリアコード:", area_code)
print("ブロックコード:", block_code)
else:
print("郵便番号が見つかりませんでした。")キャプチャグループについては以下のとおり。
(\d{3})は3桁の数字にマッチし、キャプチャグループ1として抽出(\d{4})は4桁の数字にマッチし、キャプチャグループ2として抽出-はハイフンを表現
ワイルドカードパターン
ワイルドカードパターンは任意の文字にマッチするもの。
例えば、”.”を使うと任意の一文字にマッチします。
import re
s = "Python"
match = re.search("P.th.n", s)
print(match.group()) # Output: "Python"貪欲マッチと非貪欲マッチ
貪欲マッチは、最長のマッチを見つけるもので、非貪欲マッチは最短のマッチを見つけます。
- “+”：貪欲マッチ
- “+?”：非貪欲マッチ
import re
s = "Python is fun"
match = re.search("P.*n", s)
print(match.group()) # Output: "Python is fun"
match = re.search("P.*?n", s)
print(match.group()) # Output: "Python"パターンの一部抽出
正規表現の中に”()”を使用すると、その部分だけを抽出できます。
import re
s = "My phone number is 123-456-7890"
match = re.search("(\d{3})-(\d{3})-(\d{4})", s)
print(match.group(1)) # Output: "123"
print(match.group(2)) # Output: "456"
print(match.group(3)) # Output: "7890"任意の1文字にマッチする抽出法
“.”を使うと任意の一文字にマッチします。
import re
s = "Python"
match = re.search("P.th.n", s)
print(match.group()) # Output: "Python"文字種で抽出
正規表現において、文字の種類を表すメタ文字の使用が不可欠です。
例えば、”\d”は数字に、”\w”は単語に、”\s”は空白文字にマッチします。
import re
s = "123abc"
match = re.search("\d+", s)
print(match.group()) # Output: "123"
match = re.search("\w+", s)
print(match.group()) # Output: "123abc"
s = "Hello, World!"
match = re.search("\w+\s*\w+", s)
print(match.group()) # Output: "Hello World"先頭・末尾からの抽出
正規表現では、”^”を使うと文字列の先頭、”$”を使うと文字列の末尾を表します。
これを用いて特定のパターンが先頭や末尾にあるかを確認してみましょう。
import re
s = "Hello World"
match = re.search("^Hello", s)
print(match.group()) # Output: "Hello"
match = re.search("World$", s)
print(match.group()) # Output: "World"複数のパターンで抽出
正規表現では、”|”を使って複数のパターンを指定できます。
いずれかのパターンに一致する文字列を抽出する例です。
import re
s = "Python is fun"
match = re.search("Python|fun", s)
print(match.group()) # Output: "Python"大文字小文字を区別しない抽出法
大文字と小文字を区別せずにマッチさせるには、正規表現のフラグとして re.IGNORECASE や re.I を使用します。
import re
s = "Python is Fun"
match = re.search("python", s, flags=re.IGNORECASE)
if match:
print(match.group()) # Output: "Python"この方法は大文字小文字を気にせずに文字列を抽出したい場合に便利です。
スライスで特定の文字より後ろを抽出
スライスを使用すると、指定した範囲の文字列を抽出可能です。
特定の文字より後ろを抽出するには、その文字のインデックスを取得してからスライスします。
s = "Hello, World!"
index = s.index(",") + 1
print(s[index:]) # Output: " World!"split/partitionメソッドで文字列抽出
splitメソッドは指定した文字で文字列を分割し、その結果をリストとして返します。
このリストの各要素は、元の文字列の部分文字列です。
s = "Hello, World!"
split_s = s.split(",")
print(split_s) # Output: ['Hello', ' World!']文字列 “Hello, World!” をカンマによって分割しました。
その結果、2つの部分文字列 ‘Hello’ と ‘ World!’ を含むリストが得られるのです。
一方、partitionメソッドは最初に出てきた指定した文字で文字列を3つに分割します。
分割の基準となる文字列の前後の部分をそれぞれ抽出できます。
s = "Hello, World! Welcome, User!"
partition_s = s.partition(",")
print(partition_s) # Output: ('Hello', ',', ' World! Welcome, User!')この例では、最初のコンマを基準に文字列を分割しました。
実践的な抽出例
具体的な実例を通じて、文字列からの情報抽出方法を解説します。
- メールアドレスの抽出
- 電話番号の抽出
- URLの抽出
メールアドレスの抽出
メールアドレスは一般的に username@domain.com の形式です。
正規表現を使って、\S+@\S+\.\S+ というパターンでメールアドレスを抽出できます。
import re
# メールアドレスの正規表現パターン
email_regex = r"\S+@\S+\.\S+"
# 文字列からメールアドレスを抽出する
text = "連絡先はinfo@example.comです。お問い合わせはcontact@domain.co.jpまでお願いします。"
matches = re.findall(email_regex, text)
# 抽出したメールアドレスを表示する
if matches:
for email in matches:
print(email)
else:
print("メールアドレスが見つかりませんでした。")電話番号の抽出
電話番号は、国や地域によって異なる形式を持つことが多いです。
前述した正規表現のパターンを使って抽出できます。
phone_number_regex = r"\d{2,4}-\d{2,4}-\d{4}"URLの抽出
URLは通常 http:// または https:// で始まります。
正規表現を使用して、https?://\S+ のパターンでURLを抽出しましょう。
import re
# URLの正規表現パターン
url_regex = r"https?://\S+"
# 文字列からURLを抽出する
text = "ウェブサイトはhttps://example.comです。最新情報はhttp://example.co.jp/newsをご確認ください。"
matches = re.findall(url_regex, text)
# 抽出したURLを表示する
if matches:
for url in matches:
print(url)
else:
print("URLが見つかりませんでした。")まとめ
当記事では、Pythonでの文字列抽出の方法について学習してきました。
文字列抽出は、Pythonプログラミングにおいて頻繁に使用されるスキルです。
適切な抽出方法を選択し、効率的にデータを扱いましょう。
また基本的な文字列操作、スライス、文字列メソッド、そして正規表現は、それぞれ異なるシーンで活用されます。
当記事中で紹介している他記事にも詳細が載っているので参考にしてください。