日: 2022年7月22日

[Python]336 2次元リストからひらがなを抽出

[M1 Mac, Big Sur 11.6.7, Python 3.10.4]

漢字とひらがなの混ざった2次元リストからひらがなを抽出してリスト化するスクリプトを書きました。

やはりマルチバイト文字の扱いやすさはスクリプト言語に分があるようです。

import re

＜2次元リストは省略＞

for color in colors:
    dup_num = 0
    color_hiragana = list()
    for ele in color:
        hiragana = re.findall('[ぁ-ゟ]+', ele)
        if len(hiragana) == 2: # 要素内にひらがな単語が2つある場合は最初のを削除
            del hiragana[0]
            dup_num +=1
        color_hiragana.append(hiragana)
    
    # リストの平滑化
    color_hiragana_flat = [e for l in color_hiragana for e in l]    
    print(dup_num)
    print(len(color_hiragana_flat))
    print(color_hiragana_flat)

[C++] 98 文字列から各文字種を取り出す 列挙型 enum

[M1 Mac, Big Sur 11.6.7, clang 13.0.0, NO IDE]

[C++] 96のコードを列挙型 enumを使って書き直しました。これで文字種を直接指定でき、対応するインデックス番号を覚える必要がなくなります。

こちらのswitch文の方がif文よりも洗練された感じですが、条件ごとにいちいちbreakを入れるので見た目は今ひとつです。

今月はstructとenumの作例を作ることを課題の一つにしており、これでクリアです。

#include <cppstd.h> // 自製c++標準ライブラリ群

string hiragana;
string expr;

enum CharType{
    NUMBER,
    ALPHABET,
    HIRAGANA,
    KATAKANA,
    KANJI
};

string narrow(const wstring &src) {
	char *mbs = new char[src.length() * MB_CUR_MAX + 1];
	wcstombs(mbs, src.c_str(), src.length() * MB_CUR_MAX + 1);
	return mbs;
	delete [] mbs;
}

wstring wide(const string &src) {
	wchar_t *wcs = new wchar_t[src.length() + 1];
	mbstowcs(wcs, src.c_str(), src.length() + 1);
	return wcs;
	delete [] wcs;
}

string extract(string str, CharType ct){
    switch (ct)
    {
    case NUMBER:{    
        expr = "[0-9]+"; // 数字
        break;
    }
    case ALPHABET:{
        expr = "[a-zA-Z]+"; // 英字
        break;
    }
    case HIRAGANA:{
        expr = "[\\u3041-\\u309F]+"; // ひらがな
        break;
    }
    case KATAKANA:{
        expr = "[\\u30A0-\\u30FF]+"; // カタカナ
        break;
    }
    case KANJI:{
        expr = "[\\u4E00-\\u9FFF]+"; // 漢字
        break;
    }
    }

    wstring wstr = wide(str);
    wstring wexpr = wide(expr);

    std::wregex we(wexpr);
    std::wsmatch wm;
    if(std::regex_search(wstr, wm, we)){
        hiragana = narrow(wm.str());
    }
    return hiragana;
}

int main()
{
    setlocale(LC_CTYPE, "");

    string test = "日本語ハローわーるどHelloはろー[123]";
    
    string number = extract(test, NUMBER);
    string alphabet = extract(test, ALPHABET);
    string hiragana = extract(test, KATAKANA);
    string katakana = extract(test, HIRAGANA);
    string kanji = extract(test, KANJI);

    cout << "数字 " << number << endl;
    cout << "英字 " << alphabet << endl;
    cout << "ひらがな " << hiragana << endl;
    cout << "カタカナ " << katakana << endl;
    cout << "漢字 " << kanji << endl;
}
--------------------------------------------------
出力
--------------------------------------------------
数字 123
英字 Hello
ひらがな ハロー
カタカナ わ
漢字 日本語

[C++] 97 英字有無の判定と取り出し 構造体 struct

[M1 Mac, Big Sur 11.6.7, clang 13.0.0, NO IDE]

文字列内に英字があるかどうかの判定とその取り出しができる関数を作成しました。structデータを使いたかったので作ってみました。

Javaでもclassにてstructのようなデータの集合体を作ることができます。これまでJavaでは配列を作って関数の戻り値にしていましたが、データ型を揃える必要があり不便に思っていました。

#include <cppstd.h> // 自製c++標準ライブラリ群

struct Result{
    bool judge;
    string alphabet;
};

Result alphabetExtract(string str)
{
    std::regex pattern("[a-zA-Z]+");
    std::smatch sm;
    if (std::regex_search(str, sm, pattern)){
        string ch = sm.str();
        struct Result res = {true, ch};
        return res;
    }else{
        struct Result res = {false, ""};
        return res;
    }
}

int main()
{
    setlocale(LC_CTYPE, "");

    string test = "123ハローわぁるどHello";
    struct Result res = alphabetExtract(test);
    string alp = res.alphabet;

    cout << "判定結果 " << res.judge << endl;
    cout << "英字 " << alp.c_str() << endl;
}
--------------------------------------------------
出力
--------------------------------------------------
判定結果 1
英字 Hello