言語処理100本ノック(2020): 23

"""
23. セクション構造
記事中に含まれるセクション名とそのレベル（例えば”== セクション名 ==”なら1）を表示せよ．
"""

import json
import re


def get_uk_text(path):
    with open(path) as f:
        for line in f:
            line_data = json.loads(line)
            if line_data["title"] == "イギリス":
                data = line_data
                break
    return data["text"]


uk_text = get_uk_text("jawiki-country.json")
# See uk_text.txt


# ans23
def get_section(string: str) -> list:
    """
    https://docs.python.org/3/library/re.html#regular-expression-syntax

    - re.VERBOSE  allow us add command to explain the regular expression
    - re.S        allow to recognize '\n'
    - (...)       matches whatever regular expression is inside the parentheses,
    - (?:...)     a non-capturing version of regular parentheses.
    - ?           causes the resulting RE to match 0 or 1 repetitions
    - *?          the '*' qualifier is greedy.
                  Adding ? after the qualifier makes it perform the match in non-greedy or minimal fashion; as few characters as possible will be matched.
                  e.g. <.*> is matched against '<a> b <c>'
                  e.g. <.*?> will match only '<a>'
    Input:
        - ===主要都市===
    Return:
        - [('==', '脚注'), ...]
    """
    pattern = re.compile(
        r"""
            ^     # 行頭
            (={2,}) # キャプチャ対象、2個以上の'='
            \s*     # 余分な0個以上の空白（'哲学'や'婚姻'の前後に余分な空白があるので除去）
            (.+?)   # キャプチャ対象、任意の文字が1文字以上、非貪欲（以降の条件の巻き込み防止）
            \s*     # 余分な0個以上の空白
            \1      # 後方参照、1番目のキャプチャ対象と同じ内容
            .*      # 任意の文字が0文字以上
            $       # 行末
            """,
        re.MULTILINE | re.VERBOSE,
    )
    result = re.findall(pattern, string)
    return result


def get_level(sections: list):
    result = []
    for level, value in sections:
        level = len(level) - 1
        result.append((level, value))
    return result


sections = get_section(uk_text)  # [('==', '脚注'), ...]
result = get_level(sections)  # [(1, '脚注'), ...]

for level, value in result:
    print(" " * 2 * (level - 1) + value)
# 国名
# 歴史
# 地理
#   主要都市
#   気候
# 政治
#   元首
#   法
#   内政
#   地方行政区分
#   外交・軍事