3

Tenho os seguintes casos...

Um primeiro texto da seguinte forma:

let text = "olá meu numero é trezentos e vinte e quatro tudo bem?"

E este texto quer recebo também pode ser como exemplo:

let text = "olá meu número é quarenta e três tudo bem?

Tentei fazer uma expressão regular que pega as ocorrências antes e depois do e para pegar as palavras que tem antes e depois do e. Fiz da seguinte forma:

console.log(text.match(/(\w+\se\s\w+)/g))

Porém a saída que tenho no primeiro caso de texto é 'trezentos e vinte', de modo que ignora o segundo grupo do e. Eu gostaria que a saída nesse caso fosse 'trezentos e vinte e quatro' e se eu passasse o segundo texto fosse 'quarenta e três' a saída mesmo, mas estou com muita dificuldade com essa Regex, poderiam me ajudar?

3
  • 1
    Se a frase mudar para "olá eu e ela temos o numero é trezentos e vinte e quatro tudo bem?" vai dar problema. 20/03/2021 às 19:59
  • 2
    Estou upando as resposta, mas acho que o problema é bem maior que regex é NLP. 20/03/2021 às 20:02
  • 1
    Bem colocado augusto, dei uma pesquisada agora em nlp e existe algumas bibliotecas em node que fazem diversas tratativas pelo que entendi né? vou me aprofundar um pouco mais no assunto, muito obrigado!!
    – Jeferson
    20/03/2021 às 20:10

3 Respostas 3

5

Conforme apontado nos comentários, a solução abaixo vai trazer falsos positivos se a frase tiver quaisquer palavras que não sejam números e tenham um "e" entre elas. Então veja se é isso mesmo que você precisa...


Primeiramente, o atalho \w não pega caracteres acentuados, então sua regex não funciona nem para "quarenta e três":

let text = "olá meu número é quarenta e três tudo bem?";
console.log(text.match(/(\w+\se\s\w+)/g)); // [ 'quarenta e tr' ]

Para isso você pode usar a flag u (veja aqui para mais detalhes), ou colocar os acentos na regex. E para repetir a parte "e ....", basta colocar outro quantificador em volta dele:

let text = "olá meu número é trezentos e quarenta e três tudo bem?";

// com a flag "u" e Unicode Properties
console.log(text.match(/\p{L}+( e \p{L}+)+/ug)); // [ 'trezentos e quarenta e três' ]

// colocando os acentos na regex
console.log(text.match(/[a-záéíóúâêôãõ]+( e [a-záéíóúâêôãõ]+)+/ig)); // [ 'trezentos e quarenta e três' ]

Com a flag u, usei Unicode Properties (no caso, \p{L} pega qualquer letra definida pelo Unicode - que são os que estão nas categorias que começam com "L" desta lista). Outro detalhe é que isso também acaba sendo abrangente demais, pegando letras de outros alfabetos (japonês, árabe, etc). Se quiser restringir para o nosso alfabeto, pode trocar \p{L} por \p{Script=Latin}.

No segundo caso, coloquei as letras acentuadas na regex. Só coloquei minúsculas, mas usei a flag i, então ela também vai considerar as letras maiúsculas. Esta é uma alternativa caso o seu ambiente ainda não suporte Unicode Properties.

E na parte que tem " e etc...", coloquei outro quantificador em volta - no caso, +, pois entendi que essa parte se repete uma ou mais vezes. E troquei \s por um espaço simples (já que \s também pega quebras de linha e outros caracteres).

Além disso, tem outra diferença: o \w pega também os dígitos de 0 a 9 e o caractere _. Já as regex que fiz acima só pegam letras (o que parece fazer mais sentido no seu caso).


Sobre regex e acentos, ver também aqui e aqui.

1
  • Muito obrigado pela ajuda, não tenho muito conhecimento em regex então estava perdido, mas você me salvou, obrigado demais!
    – Jeferson
    20/03/2021 às 20:03
3

Isso acontece porque a expressão regular desconsidera que sequências de e podem vir uma após a outra.

Desse modo, embora isto funcione:

/(\w+\se\s\w+)/g

foo aaa e bbb bar baz ccc e ddd qux

Isto não funcionaria:

/(\w+\se\s\w+)/g

foo aaa e bbb e ccc qux

Porque a expressão regular /(\w+\se\s\w+)/g não determina o match de duas sequências seguidas uma da outra. Isso porque ela exige termos antes e depois do e. No caso de já ter dado match numa expressão imediatamente anterior ao próximo e, não terá nada "antes" dele, de modo que o match será impossível por não satisfazer essa condição.

Uma solução é indicar que qualquer termo após o e pode se repetir dentro de um único match. Uma opção seria assim:

/\w+(?:\se\s\w+)+/g

foo aaa e bbb bar baz ccc e ddd e eee qux

Veja no Regex101.

Embora a expressão regular acima funcione para casos em que as palavras forem formadas por caracteres alfanuméricos ASCII, letras acentuadas (como é, á, à etc) não são englobadas pelo \w.

Desse modo, você pode mudar a expressão para:

/\p{L}+(?:\se\s\p{L}+)+/gu

foo aáà e bbb bar baz ccc e ddd e eéè qux

Veja no Regex101.

De modo que, ao utilizar a flag u, pode-se utilizar \p{L}, que captura qualquer letra definida pelo padrão Unicode – o que inclui os caracteres acentuados anteriormente mencionados.

Apesar de já ser bem suportado, alguns ambientes podem não implementar expressões regulares com a flag do Unicode. Nesses casos, para alternativas ao \p{L} com a flag u, consultar a outra resposta.


Não relacionado à resposta, mas vale observar que a expressão regular original da pergunta (/(\w+\se\s\w+)/g) poderia ser substituída por /\w+\se\s\w+/g, uma vez que o grupo de captura nesse caso não faz nada.

0
2

Nesse caso o que você precisa é usar (\w+\se\s\w+) como um grupo e colocar um quantificador. Veja:

let text1 = "olá meu numero é trezentos e vinte e quatro tudo bem?";
let text2= "olá meu número é quarenta e três tudo bem?"

console.log(text1.match(/\w+(\se\s[a-zê]+)+/g))
console.log(text2.match(/\w+(\se\s[a-zê]+)+/g))

2
  • ah ok. Eu tinha colocado [a-zê] justamente para pegar esse caso. Mas sua solução é bem mais geral. Obrigado pelos toques.
    – Lucas
    20/03/2021 às 20:09
  • Ok. Editei a resposta
    – Lucas
    20/03/2021 às 20:18

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .