Eu tenho esta String:
str = "Eu sou uma string {dentro de uma string {dentro de outra} }"
Qual a expressão regular que eu posso usar para conseguir apenas:
dentro de uma string {dentro de outra}
Apesar de provavelmente ser possível fazer isso com expressões regulares, talvez não seja a melhor forma de fazer isso - Expressões regulares são uma linguagem a parte da linguagem "hospede" - e são realmente "hostis" a quem estiver verificando o código. São muito úteis em alguns casos, e a medida que você se habitua, ou se exercita com elas, passam a valer a pena em cenários com complexidade crescente - já que, você, estando familiar, vai poder escrever a expressão regular mais rapidamente do que escreveria código equivalente na própria linguagem (nesse caso, Python).
Nesse caso, a expressão regular para isso teria que contar com match de grupos, contar grupos para trás, de forma opcional - e, na verdade, talvez não seja possível escrever algum mecanismo equivalente a "recursão" para ignorar um número variável de }
, se houverem várias aninhadas. Para um número máximo fixo de sub-chaves, acredito que seja possível sim - e talvez eu faça uma tentativa em breve.
No entanto, o que escrevi até aqui é pra dizer que as vezes, programando na linguagem mesmo, algumas tarefas são ordens de grandeza mais simples do que usando expressões regulares.
E isso parece ser o caso aqui. Afinal, tudo o que é preciso é manter uma variável que vai contar quantas chaves estão abertas, enquanto a string é percorrida caractere a caractere - quando o contador chegar em "0", você tem um trecho entre chaves no nível mais alto. Em Python são poucas linhas:
def find_bracket_groups(text):
open_brackets = 0
groups = []
current_group = ""
for char in text:
if char == "{":
open_brackets += 1
if open_brackets > 0:
current_group += char
if char == "}":
open_brackets -= 1
if open_brackets == 0:
groups.append(current_group)
current_group = ""
if open_brackets < 0:
open_brackets = 0
return groups
Apesar de parecer uma função grande, a leitura é trivial - e um pouco do tamanho é algum cuidado com casos especiais, por exemplo, tratar caracteres "}" que possam estar avulsos no texto.
Perceba também que se fosse necessário seria fácil alterar essa função para receber mais parâmetros, e poder localizar grupos mais "profundos" em vez de apenas o primeiro, ou achar grupos com outros caracteres diferentes de "{}". (Em contraste, parametrizar uma expressão regular iria exigir que a expressão regular fosse escrita como uma string que seria formatada com o método ".format" antes de ser usada como expressão regular - deixando o código ainda de leitura mais complicada).
outra forma
Se você sempre tiver um único grupo de "{...} " na raiz do texto, como no exemplo - isso é, nada do tipo "aaaaa { ocorrencia 1 {bbbb}} cccc { ocorrencia2}", é possível um código trivial em Python, que apenas "recorte" a string no primeiro caractere "{" e no último caractere "}" - com os métodos .split
e rsplit
dos objetos string:
text = "Eu sou uma string {dentro de uma string {dentro de outra} }"
result = text.split("{", 1)[-1].rsplit("}", 1)[0]
A expressão na última linha diz "corte a string em substrings separadas pelo caractere "}", começando da esquerda, apenas uma vez. Tome a última parte dessa divisão (descartando a primeira), e recorte no caractere "}" a partir da direita, uma única vez, e tome a primeira parte dessa divisão.
E note que essa expressão não verifica se de fato existe qualquer chave na string, então ela teria que ser complementada com um if "{" in text: ...
em algum ponto para seu código ser robusto.
update
Como comentei acima - tentei criar uma expressão regular usando o padrão (?(<grupo>)\})
para dar um match em um "}" interno apenas se outro "{" interno foi visto (na documentação procure por "yes-pattern|no-pattern"), mas realmente não é trivial - e fica bem difícil acompanhar (não chegou a funcionar). Para um número arbitrário de chaves aninhadas, só criando uma regexp "frankenstein" com um número máximo de grupos de {
, cada um com o respectivo grupo "yes-pattern" para o }
correspondente - não seria prático.
"a{ b{ c } d{ e } }"
, se eu quiser apenas as chaves, eu terei: {{}{}}
, mas como posso identificar qual chave abre e qual fecha determinada expressão?
enumerate
no for
para ter a posição - com mais um if inserido depois da segunda linha dentro do for
, pode anotar a posição de cada grupo se quiser.
Até é possível fazer uma regex que pegue o conteúdo que você precisa, mas há alguns poréns.
O primeiro é o que já foi mencionado nas outras respostas: regex não é a melhor ferramenta para resolver este problema. Não ficou claro se suas strings terão apenas dois pares de chaves aninhados, ou se a quantidade pode variar e não ter limite. Sendo assim, a verificação feita na resposta do @jsbueno é a solução mais indicada.
Os outros poréns são mencionados mais abaixo. De qualquer forma, deixo aqui - mais como curiosidade - uma solução com regex.
Uma maneira de capturar o conteúdo entre pares de chaves, podendo ter outros pares aninhados, é usando uma expressão regular recursiva. No seu caso, poderia ser algo do tipo:
\{((?:[^{}]|(?R))*)\}
\{
e \}
são os caracteres {
e }
propriamente ditos. Como estes caracteres possuem um significado especial em regex (servem para definir quantificadores), eles precisam ser escapados com \
para que "percam seus poderes" e sejam tratados apenas como caracteres "normais".
Depois temos um parênteses, que serve para definir um grupo de captura, o que torna possível obter seu respectivo conteúdo posteriormente. Com isso, a expressão \{(....)\}
significa que será possível obter posteriormente todo o conteúdo que está entre as chaves.
Logo em seguida temos (?:
, que define um grupo de não-captura. Isso indica que estes parênteses estão sendo usados apenas para agrupar uma sub-expressão, e evita que a engine de regex crie um grupo de captura à toa. Dentro deste grupo de não-captura, temos uma alternância (definida pelo |
), o que significa que este grupo pode ter qualquer uma dentre estas duas coisas:
[^{}]
- qualquer caractere que não seja {
nem }
, ou(?R)
- a própria expressão regular inteira, de forma recursivaO primeiro caso ([^{}]
) é uma classe de caracteres negada. O início ([^
) indica que eu não quero nenhum dos caracteres que aparecem em seguida. Como eu coloquei {}
, quer dizer que eu não quero nem o {
, nem o }
- repare que dentro de colchetes esses caracteres não precisam ser escapados com \
.
O segundo caso ((?R)
) é a sintaxe para regex recursiva. Ela basicamente significa "pegue a regex inteira e coloque aqui no lugar do (?R)
". Ou seja, a regex pode "estar dentro dela mesma", o que é uma forma de verificar pares de chaves dentro de outros pares de chaves.
Em seguida temos o quantificador *
, que significa "zero ou mais ocorrências" do que está antes (ou seja, do grupo de não-captura). Isso quer dizer que podemos ter vários caracteres que não sejam {
nem }
, ou a mesma regex (que é {
, seguido de vários caracteres que não sejam {
nem }
, ou a mesma regex etc...), tudo isso repetido várias vezes, e cada uma dessas ocorrências tem um }
ao final:
Graças à recursão, a regex pode ter uma quantidade ilimitada de pares de chaves aninhados - veja aqui um exemplo dela funcionando.
Infelizmente, o módulo re
- que é o módulo nativo do Python para trabalhar com expressões regulares - não suporta regex recursiva. Por isso este código não funciona:
import re
r = re.compile(r'\{((?:[^{}]|(?R))*)\}')
Ao tentar criar a regex recursiva, ocorre um erro:
re.error: unknown extension ?R at position 13
Felizmente, no PyPI existe o módulo regex
, que estende as funcionalidades do módulo re
e possui suporte à regex recursiva:
import regex
r = regex.compile(r'\{((?:[^{}]|(?R))*)\}')
print(r.findall("Eu sou uma string {dentro de uma string {dentro de outra} }"))
O módulo regex
possui compatibilidade com o módulo re
, então seus métodos se comportam da mesma maneira. O método findall
, por exemplo, retorna uma lista com todas as strings que deram match, mas quando há grupos de captura, ele retorna uma lista com os grupos (este é mais um motivo para usar o grupo de não-captura internamente: para que ele não seja retornado por findall
). Por isso este código imprime:
['dentro de uma string {dentro de outra} ']
Testando a mesma regex para outras strings:
print(r.findall('String {com {vários {níveis {de } chaves}} aninhadas}.'))
print(r.findall('Apenas {um par de} chaves'))
print(r.findall('String {com mais {de} um} trecho {com {chaves}}'))
Saída:
['com {vários {níveis {de } chaves}} aninhadas']
['um par de']
['com mais {de} um', 'com {chaves}']
Repare que a última possui mais de um trecho possível de ser capturado, por isso a lista retornada possui duas strings.
Há mais dois poréns nesta solução.
O primeiro é que esta regex também captura {}
. Ou seja, este código:
print(r.findall('Chaves {} vazias'))
Retorna uma lista com uma string vazia:
['']
Isso acontece porque usei *
, que significa "zero ou mais ocorrências". Se eu quiser que tenha pelo menos um caractere dentro das chaves, basta mudar para +
, que significa "uma ou mais ocorrências" (veja aqui a diferença):
import regex
r = regex.compile(r'\{((?:[^{}]|(?R))+)\}')
^
usando + no lugar de *
Com isso, findall
passa a ignorar os trechos que não possuem nenhum caractere entre as chaves (ignorando as ocorrências de {}
), retornando uma lista vazia:
print(r.findall('Chaves {} vazias'))
Saída:
[]
Repare que agora a saída é uma lista vazia (nenhum grupo foi encontrado) em vez de uma lista com um elemento (foi encontrado um grupo, que é uma string vazia). Para as demais strings acima, o retorno continua sendo o mesmo.
O outro porém é que esta regex não verifica se as chaves estão balanceadas. Por exemplo, para a string String com {chaves {desbalanceadas}
, o trecho capturado será apenas desbalanceadas
, pois é o trecho que está dentro de um par de chaves balanceado (o trecho {chaves
possui {
, mas não possui o }
correspondente e por isso fica de fora). Exemplo:
print(r.findall('String com {chaves {desbalanceadas}'))
print(r.findall('outro exemplo com {chaves} desbalanceadas}'))
print(r.findall('Somente abre { chaves.'))
Saída:
['desbalanceadas']
['chaves']
[]
Repare que na segunda string o trecho capturado foi chaves
, pois é o que está dentro de um par de chaves balanceado (o trecho desbalanceadas}
só possui a chave de fechamento, e por isso ficou de fora). Já a terceira string não possui }
, então nenhum trecho é capturado (por isso o retorno é uma lista vazia).
Talvez seja até possível obter chaves {desbalanceadas
no primeiro caso e chaves} desbalanceadas
no segundo, mas aí a regex começa a ficar complicada demais. E de todo modo, já vimos nas outras respostas que a solução ideal não usa regex e é de fato mais simples, não só de fazer e entender, mas também de modificar (por exemplo, para obter as posições de cada {
e seu respectivo }
, etc). Regex é uma ferramenta poderosa e muito legal (eu particularmente gosto muito), mas nem sempre é a melhor solução.
Para esse problema específico, você não precisa de expressão regular, você pode usar find
para construir um slice, veja:
print(str[str.find("{")+1:str.find(" }")])
dentro de uma string {dentro de outra}
Mas se você faz questão de usar expressões regulares, faça:
print(re.compile( "{(.*?) }").search(str).group(1))
dentro de uma string {dentro de outra}
Veja funcionando no repl.it
Editada:
Atendendo aos comentários do @jsbueno, vou reforçar o que coloquei logo no início (antes de quaisquer edições) da resposta: "Para esse problema específico", isto é, as soluções apresentadas aqui só servem para strings que tenham o mesmo formato da string originalmente apresentada na pergunta: ("Eu sou uma string {dentro de uma string {dentro de outra} }") (Em particular, dependem do espaço em branco antes da última chave - jsbueno). Aproveito também para corroborar o comentário do jsbueno na pergunta, a respeito do fato de se utilizar palavras reservadas para nomear variáveis.
str
do Python. Pode até parecer que "é um exemplo avulso, não atrapalha ninguém" - mas justo nesse caso, por exemplo, se alguém for copiar e colar a declaração acima para fazer testes no console do Python, vai sobre-escrever o "str" original.