【Python】正規表現：reモジュールで文字列を効率的に処理する

import re

# 基本的な文字列マッチング
text = "Hello, Python!"
result = re.search(r"Python", text)
print(result.group())  # 出力: Python

# マッチしない場合
result = re.search(r"Java", text)
print(result)  # 出力: None

# ドット（.）: 任意の1文字にマッチ
text = "cat, bat, rat"
result = re.findall(r".at", text)
print(result)  # 出力: ['cat', 'bat', 'rat']

# アスタリスク（*）: 直前の文字の0回以上の繰り返し
text = "ca*t"
result = re.match(r"ca*t", text)
print(result.group())  # 出力: cat

# 数字にマッチする
text = "私の電話番号は123-4567-8901です"
result = re.search(r"\d{3}-\d{4}-\d{4}", text)
print(result.group())  # 出力: 123-4567-8901

# 数字以外にマッチする
text = "ABC123"
result = re.findall(r"\D+", text)
print(result)  # 出力: ['ABC']

def is_valid_email(email):
    pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
    return bool(re.match(pattern, email))

# テスト
print(is_valid_email("user@example.com"))  # True
print(is_valid_email("invalid.email@"))    # False

# 括弧()でグループを作成
text = "2024年2月19日"
pattern = r"(\d{4})年(\d{1,2})月(\d{1,2})日"
result = re.match(pattern, text)

if result:
    year = result.group(1)
    month = result.group(2)
    day = result.group(3)
    print(f"年: {year}, 月: {month}, 日: {day}")
    # 出力: 年: 2024, 月: 2, 日: 19

# ?P<name>でグループに名前をつける
text = "名前: 山田太郎, 年齢: 30歳"
pattern = r"名前: (?P<name>.*?), 年齢: (?P<age>\d+)歳"
result = re.search(pattern, text)

if result:
    print(f"名前: {result.group('name')}")  # 出力: 名前: 山田太郎
    print(f"年齢: {result.group('age')}")   # 出力: 年齢: 30

# 単純な置換
text = "Hello, World!"
result = re.sub(r"World", "Python", text)
print(result)  # 出力: Hello, Python!

# 複数箇所の置換
text = "cat and cat"
result = re.sub(r"cat", "dog", text)
print(result)  # 出力: dog and dog

def convert_case(match):
    word = match.group(0)
    return word.upper() if len(word) > 3 else word

text = "The cat and dog are friends"
result = re.sub(r'\w+', convert_case, text)
print(result)  # 出力: THE cat and dog ARE FRIENDS

# パターンのコンパイル
pattern = re.compile(r'\d+')

# 複数回の使用
text1 = "123 456"
text2 = "789 012"

print(pattern.findall(text1))  # 出力: ['123', '456']
print(pattern.findall(text2))  # 出力: ['789', '012']

# 正しいエスケープ
text = "price: $100"
result = re.search(r'\$\d+', text)
print(result.group())  # 出力: $100

# ドット文字のエスケープ
text = "file.txt"
result = re.search(r'file\.txt', text)
print(result.group())  # 出力: file.txt

text = "<p>First paragraph</p><p>Second paragraph</p>"

# 貪欲なマッチング
greedy = re.findall(r'<p>.*</p>', text)
print(greedy)  # 出力: ['<p>First paragraph</p><p>Second paragraph</p>']

# 非貪欲なマッチング
non_greedy = re.findall(r'<p>.*?</p>', text)
print(non_greedy)  # 出力: ['<p>First paragraph</p>', '<p>Second paragraph</p>']

# 貪欲マッチングの例
text = "<h1>タイトル</h1><h2>サブタイトル</h2>"
pattern = r"<.*>"
result = re.search(pattern, text)
print(result.group())  
# 出力: <h1>タイトル</h1><h2>サブタイトル</h2>
# 最初の'<'から最後の'>'まですべてマッチしてしまう

# 非貪欲マッチングの例
text = "<h1>タイトル</h1><h2>サブタイトル</h2>"
pattern = r"<.*?>"
result = re.findall(pattern, text)
print(result)  
# 出力: ['<h1>', '</h1>', '<h2>', '</h2>']
# 最小限の文字数でマッチング

html = """
<div class="content">
    <p>最初の段落</p>
    <p>次の段落</p>
</div>
"""

# 貪欲マッチング - 意図しない結果
greedy = re.findall(r'<p>.*</p>', html)
print("貪欲マッチング:")
print(greedy)  
# 出力: ['<p>最初の段落</p>\n    <p>次の段落</p>']

# 非貪欲マッチング - 期待通りの結果
non_greedy = re.findall(r'<p>.*?</p>', html)
print("非貪欲マッチング:")
print(non_greedy)  
# 出力: ['<p>最初の段落</p>', '<p>次の段落</p>']

text = '"First quote" some text "Second quote" more text "Third quote"'

# 貪欲マッチング - 問題のある結果
greedy = re.findall(r'".*"', text)
print("貪欲マッチング:")
print(greedy)  
# 出力: ['"First quote" some text "Second quote" more text "Third quote"']

# 非貪欲マッチング - 正しい結果
non_greedy = re.findall(r'".*?"', text)
print("非貪欲マッチング:")
print(non_greedy)  
# 出力: ['"First quote"', '"Second quote"', '"Third quote"']

# 量指定子の例
text = "aaabbaaa"

# *（0回以上）
print(re.findall(r'a*', text))      # 貪欲: ['aaa', '', '', 'aaa', '']
print(re.findall(r'a*?', text))     # 非貪欲: ['', '', '', '', '', '', '', '', '']

# +（1回以上）
print(re.findall(r'a+', text))      # 貪欲: ['aaa', 'aaa']
print(re.findall(r'a+?', text))     # 非貪欲: ['a', 'a', 'a', 'a', 'a', 'a']

# ?（0回または1回）
print(re.findall(r'ab?', text))     # 貪欲: ['a', 'ab', 'a', 'a', 'a']
print(re.findall(r'ab??', text))    # 非貪欲: ['a', 'a', 'b', 'a', 'a', 'a']

# {n,m}（n回以上m回以下）
print(re.findall(r'a{1,3}', text))  # 貪欲: ['aaa', 'aaa']
print(re.findall(r'a{1,3}?', text)) # 非貪欲: ['a', 'a', 'a', 'a', 'a', 'a']

# 非効率な非貪欲マッチング
text = "a" * 1000 + "b"
pattern = r"a*?b"
# マッチするまでに多数のバックトラッキングが発生

# より効率的な代替パターン
pattern = r"[^b]*b"
# 否定文字クラスを使用することで、バックトラッキングを削減

# HTMLタグの抽出の別アプローチ
text = "<p>段落1</p><p>段落2</p>"

# 非貪欲マッチングを使用
pattern1 = r'<p>.*?</p>'

# より具体的なパターンを使用
pattern2 = r'<p>[^<]*</p>'

# どちらも同じ結果を得られますが、
# pattern2の方がより効率的で意図が明確です