frase = str("Eu como abacaxi").split()
Como eu faço para mostrar apenas a primeira palavra da frase ("eu" no caso)?
A forma de fazer depende muito de como está sua string e do que você considera como "palavra".
No seu caso específico, basta pegar o primeiro elemento da lista retornada por split
:
frase = "Eu como abacaxi".split()
primeira_palavra = frase[0]
# ou simplesmente
primeira_palavra = "Eu como abacaxi".split()[0]
Detalhe: quando você tem um texto entre aspas no código, ele já é uma string, então é redundante e desnecessário fazer str("texto")
, pois "texto"
já é uma string.
A solução acima é bem limitada, pois como já apontaram nos comentários, se a frase tiver alguma pontuação, já não funciona mais:
primeira_palavra = "Eu, você e ele comemos abacaxi".split()[0]
print(primeira_palavra) # Eu,
Nesse caso, a primeira palavra acaba sendo Eu,
- a vírgula faz parte da "palavra". E é aí que devemos definir o que exatamente é uma palavra (não pode ser "qualquer coisa que não seja espaço", pois é isso que você está considerando ao chamar split
sem nenhum parâmetro).
E o primeiro elemento também pode não ser uma palavra (ex: se a string for "- lorem ipsum"
, a primeira "palavra" será o hífen).
Uma solução é considerar que palavras são apenas "sequências de letras consecutivas". Neste caso, bastaria usar o método isalpha
para verificar os caracteres da string que são letras:
frase = " - 123... Eu, você e ele comemos abacaxi!"
inicio = fim = None
for i, c in enumerate(frase):
letra = c.isalpha()
if inicio is None and letra:
inicio = i # início de palavra
elif inicio is not None and fim is None and not letra:
fim = i # fim de palavra
break # sai do loop
else: # chegou ao fim da string e não encontrou um caractere que não é letra
fim = len(frase)
if inicio is not None and fim is not None:
primeira_palavra = frase[inicio:fim]
print(primeira_palavra)
else:
print('A frase não contém nenhuma palavra')
Eu uso enumerate
para iterar pelos caracteres da string e pelos seus respectivos índices. A cada iteração do for
, a variável c
será um dos caracteres da string, e i
será o seu respectivo índice.
Inicialmente eu busco pelo primeiro caractere que é uma letra para encontrar o índice inicial. A partir daí vou avançando até encontrar um caractere que não é uma letra, indicando que a palavra já terminou, e nesse caso eu guardo o índice final e encerro o loop com break
.
Repare que tem um else
que pertence ao for
. Ele é chamado se o for
não for interrompido por um break
, o que nesse caso indica que cheguei ao final da string sem encontrar um caractere que não é letra (ou seja, ou não tem nenhuma palavra, ou a única palavra da string termina justamente no final da mesma). Neste caso, pegamos tudo até o fim da string.
Depois do for
verificamos se a string tem ou não uma palavra, e se tiver, pegamos a primeira, usando os índices encontrados previamente (usando a sintaxe de slicing para pegar o trecho da string entre os índices inicial e final).
Esta solução trata os casos em que a string inteira é uma única palavra, além dos casos em que ela não tem nenhuma palavra (ela pode ser por exemplo "123", ou "@!#").
Só há um porém: a solução anterior não considera palavras compostas, como por exemplo "beija-flor" (já que o hífen não é uma letra e isalpha
retorna False
para este caractere).
Você poderia adaptar o código acima para aceitar hífen, desde que os caracteres imediatamente antes e depois sejam letras. Mas há outra alternativa, que é usar expressões regulares (regex), através do módulo re
:
import re
frase = " - 123... Beija-flor, come abacaxi!"
regex = re.compile(r'\b[^\W\d_]+(-[^\W\d_]+)*\b')
match = regex.search(frase)
if match:
primeira_palavra = match.group()
print(primeira_palavra) # Beija-flor
else:
print('A frase não contém nenhuma palavra')
Para a palavra, muitos provavelmente usariam o atalho \w
, que realmente considera todas as letras. Só que ele também considera dígitos e o caractere _
. Se você quer que não considere "123" e "abc_def" como palavras, temos que excluir os dígitos e o _
da expressão.
Para isso usamos uma classe de caracteres negados: [^\W\d_]+
. No caso, é tudo que não é \W
, nem \d
, e nem _
. O \W
é o oposto de \w
(ou seja, tudo que não é letra, número e nem _
). Então tudo que não é \W
é o mesmo que \w
, só que também estou excluindo os dígitos (\d
) e o próprio _
. Assim, sobram só letras.
No fundo é uma forma de dizer que só quero letras - e este atalho é melhor do que [a-zA-Z]
porque também considera letras acentuadas. E o quantificador +
pega uma ou mais ocorrências.
Depois temos um trecho contendo hífen e uma ou mais letras, e esse trecho pode ocorrer zero ou mais vezes (indicado pelo *
). Assim cobrimos os casos em que há mais de um hífen (como "pão-de-ló" - se bem que depois da reforma ortográfica acho que não tem mais hífen, mas enfim).
Tudo isso está envolto pelo atalho \b
, que indica uma "fronteira entre palavras" (uma posição que possui um caractere alfanumérico antes e um não-alfanumérico depois), senão em casos como "12abc34", a regex consideraria que "abc" é uma palavra.
Assim, palavras compostas também são consideradas.
Claro que - sempre - dá para complicar mais. E palavras com apóstrofo? (como "olho-d'água"). Nesse caso temos que incluir (\'[^\W\d_]+)?
na regex (um apóstrofo seguido por uma ou mais letras, e o ?
indica que todo esse trecho é opcional):
regex = re.compile(r'\b[^\W\d_]+(\'[^\W\d_]+)?(-[^\W\d_]+(\'[^\W\d_]+)?)*\b')
Sempre dá para complicar mais. Veja o exemplo abaixo:
import re
frase = "sábio da montanha"
regex = re.compile(r'\b[^\W\d_]+(\'[^\W\d_]+)?(-[^\W\d_]+(\'[^\W\d_]+)?)*\b')
match = regex.search(frase)
if match:
primeira_palavra = match.group()
print(primeira_palavra)
else:
print('A frase não contém nenhuma palavra')
O resultado é:
sa
O que aconteceu é que a string "sábio da montanha"
está em NFD (uma das formas de normalização definidas pelo Unicode). Basicamente, a letra á
("a" com acento agudo) é decompostas em dois caracteres: a letra "a" sem acento e o próprio acento (só que visualmente não dá para distinguir, pois sempre é mostrado como á
). Como o caractere referente ao acento não é uma letra, ele não é considerado parte da palavra (tem uma explicação mais detalhada sobre a normalização aqui, aqui e aqui - apesar dos links não falarem especificamente sobre o Python, a ideia é a mesma).
Uma opção é normalizar para NFC (usando o módulo unicodedata
), pois assim os caracteres "a" e o acento são condensados em um único caractere (o á
), e este passa a ser considerado como uma letra pela regex:
frase = "sábio da montanha"
from unicodedata import normalize
frase = normalize('NFC', frase)
... etc (o resto é igual)
Assim, a palavra "sábio" é encontrada pela regex.
regex
Se quiser, pode instalar o módulo regex
, uma excelente extensão do módulo re
. Com ele você pode usar as Unicode properties. Isso porque nem todas as strings em NFC terão o caractere do acento "aglutinado" com a letra, então a solução acima que usa normalização nem sempre funcionará.
Neste caso, usamos \p{L}\p{M}*
para uma "letra" (\p{L}
é qualquer caractere que o Unicode define como "letra" e \p{M}
engloba os caracteres como o acento e outros que podem ser aplicados à uma letra - os chamados combining characters). Você pode consultar a lista completa nesta página (\p{L}
engloba todas as categorias que começam com "L" e \p{M}
, todas que começam com "M").
Sendo assim, ficaria:
import regex
r = regex.compile(r'\b(\p{L}\p{M}*)+(\'(\p{L}\p{M}*)+)?(-(\p{L}\p{M}*)+(\'(\p{L}\p{M}*)+)?)*\b')
# restante do código igual
match = r.search(frase)
etc...
Enfim, veja como a solução pode se complicar, dependendo do que você considera "palavra". E estamos nos limitando apenas à definição do português, já que há idiomas (como o japonês e chinês) em que você pode ter frases inteiras sem nenhum espaço entre as palavras (\p{L}
até considera letras desses alfabetos, mas se não tiver espaços na frase, aí provavelmente você teria que usar soluções específicas para cada idioma - exemplo - e se quiser se limitar apenas ao nosso alfabeto, pode trocar \p{L}
por \p{Script=Latin}
).
Claro que para textos mais simples como o seu, talvez o split
já resolva (desde que você também trate o caso da string ser vazia (""
), pois aí split
retorna uma lista vazia e dará erro ao tentar acessar o primeiro elemento - coisa que não acontece com as outras soluções, que identificam corretamente que não há nenhuma palavra). Mas achei que valia a pena expandir um pouco o problema de "encontrar a primeira palavra de um texto" para casos não tão óbvios assim.
Faz
primeira_palavra = str("Eu como abacaxi").split()[0]
O método split()
vai quebrar a string pelo separador informado, como não informou ele vai quebrar pelo espaço.
Depois de quebrar ele retorna uma lista assim ['Eu', 'como', 'abacaxi']
Daí você pode usar o índice zero para pegar o primeiro elemento, que será então a primeira palavra.
split
retorna uma lista, então basta pegar o primeiro elemento dela comfrase[0]
, como já disseram. Outro detalhe é que usarstr
em uma string é redudante e desnecessário, pode fazer apenas"Eu como abacaxi".split()
first, rest = frase.split(maxsplit=1)
, mas isso não resolve o problema se houver pontuação, por exemplo, tal como emfrase = 'eu, eu mesmo e irene'
, a primeira palavra seria'eu,'
, com a vírgula