2

Tenho uma String mais ou menos assim:

987654 original4343 - Co 123456 asd.pdf

Esta String pode variar os agrupamentos de números, mas o que eu preciso é pegar o agrupamento que tenha 6 dígitos.

Então eu fiz essa regex:

.*([0-9]{6}).*

O problema é que está me retornando a última ocorrência, mas eu preciso da primeira. No exemplo que eu citei acima, está retornando:123456

Mas eu preciso que retorne: 987654

Eu tentei usar o \b ou outras alternativas que procurei, mas em nenhuma eu fui feliz.

2 Respostas 2

4

A sua regex pegou a última ocorrência dos 6 dígitos porque o quantificador * é ganancioso: ele pega a maior sequência possível de caracteres que satisfaça a expressão.

E como você usou .* e o ponto significa "qualquer caractere" (qualquer um, inclusive números¹), acontece o seguinte:

  • .* pega o trecho 987654 original4343 - Co (é uma sequência de zero ou mais caracteres)
  • [0-9]{6} pega o trecho 123456 (uma sequência de 6 dígitos)

A regex até poderia ter pego o 987654, mas como .* é ganancioso, ele tenta pegar a maior sequência de caracteres que puder. E como o ponto pode ser qualquer caractere, inclusive números, o 987654 acaba sendo "engolido" pelo .* (já que depois a regex encontrou outra sequência de 6 dígitos que satisfaz a sua "ganância").


Neste caso, você não precisa do .*, pode usar apenas a sequência de 6 dígitos, já que o Matcher por padrão começa a busca no início da String, e vai avançando até encontrar algo:

import java.util.regex.Matcher;
import java.util.regex.Pattern;

String s = "987654 original4343 - Co 123456 asd.pdf";
Pattern p = Pattern.compile("[0-9]{6}");
Matcher m = p.matcher(s);
if (m.find()) { // verifica se encontrou
    System.out.println(m.group());
}

É importante verificar se o find() retorna true. Se a String não tiver nenhuma sequência de 6 dígitos (se find() retornar false) e você chamar group() logo em seguida, o resultado será um java.lang.IllegalStateException (exemplo).

O código acima imprime 987654. Como a regex não tem mais .*, ela não precisa pegar a maior sequência de caracteres possível. Usando somente [0-9]{6}, ela se concentra em verificar apenas 6 dígitos seguidos.


Atenção

Mas ainda tem um detalhe. Se tivermos a String:

1234567 abc 987654

Ela começa com um número de 7 dígitos, mas se usarmos o código acima, o resultado será 123456 (já que são 6 dígitos seguidos - a sua regex não disse se podia ou não ter outro dígito depois). Se é isso que você precisa, pode usar o código acima. Mas se quiser pegar apenas as sequências de 6 dígitos que não tenham nenhum outro dígito antes ou depois, o código muda um pouco:

String s = "1234567 abc 987654";
Pattern p = Pattern.compile("(?<=^|[^0-9])[0-9]{6}(?=[^0-9]|$)");
Matcher m = p.matcher(s);
if (m.find()) {
    System.out.println(m.group());
}

Isso imprime 987654. Acrescentei algumas coisas na expressão para garantir que ela pegue somente 6 dígitos que não tenham nenhum outro dígito antes ou depois. Vamos por partes:

O marcador ^ significa "início da string". O caractere | significa "ou" e [^0-9] é "qualquer coisa que não seja um dígito de 0 a 9". Ou seja, ^|[^0-9] significa "o início da string ou um caractere que não é dígito".

Eu coloquei tudo dentro de um lookbehind (indicado por (?<=). Ele serve para verificar se algo existe antes da posição atual. No caso, pode ser o início da string ou algum caractere que não seja dígito.

Em seguida coloquei [0-9]{6}, que é o que eu quero pegar de fato.

Por fim temos um lookahead (indicado por (?=), que é similar ao lookbehind: ele serve para verificar se algo existe depois da posição atual. E dentro dele temos: [^0-9]|$ - um caractere que não é um dígito ou o final da string ($),

Ou seja, a regex vai pegar as sequências de 6 dígitos, desde que não tenham nenhum outro dígito antes ou depois. O código acima imprime 987654.


Você disse que tentou usar \b, mas ele significa uma "fronteira entre palavras" (word boundary), ou seja, posições da string que tem um caractere alfanumérico antes e um não-alfanumérico depois (ou vice-versa). Então se tiver casos como a123456, ele não é considerado, pois existe uma letra antes dos dígitos, e a letra não é considerada uma "fronteira entre palavras". Ex:

String s = "1234567 abc a987654 111222";
Pattern p = Pattern.compile("\\b[0-9]{6}\\b");
Matcher m = p.matcher(s);
if (m.find()) {
    System.out.println(m.group());
}

Este código imprime 111222. O a987654 não foi pego porque tem um a antes dos dígitos (portanto, a posição antes do 9 não corresponde a \b).

Usando (?<=^|[^0-9])[0-9]{6}(?=[^0-9]|$), como já vimos, o código retorna 987654. Então escolha a regex que melhor se adequar aos seus dados e ao que você precisa extrair deles.


Mais alguns detalhes

Outra alternativa é usar os atalhos \d (que corresponde a [0-9]) e \D (que corresponde a [^0-9]). Lembrando que dentro de strings o caractere \ deve ser escapado e escrito como \\:

Pattern p = Pattern.compile("(?<=^|\\D)\\d{6}(?=\\D|$)");

E se quiser obter todas as ocorrências (e não só a primeira), basta fazer um loop:

while (m.find()) { // enquanto tiver sequências de 6 dígitos, imprime
    System.out.println(m.group());
}

E caso vá processar várias strings diferentes, não precisa criar o Pattern e Matcher toda hora. Basta criar uma vez e ir resetando o Matcher a cada iteração:

String[] strings = {
    "987654 original4343 - Co 123456 asd.pdf",
    "1234567 abc 987654",
    "1234567 abc a987654 111222" };
Pattern p = Pattern.compile("(?<=^|\\D)\\d{6}(?=\\D|$)");
Matcher m = p.matcher("");
for (String s : strings) {
    m.reset(s); // resetar o Matcher com outra string
    System.out.println("Testando " + s);
    while (m.find()) {
        System.out.println("- encontrado: " + m.group());
    }
}

A saída é:

Testando 987654 original4343 - Co 123456 asd.pdf
- encontrado: 987654
- encontrado: 123456
Testando 1234567 abc 987654
- encontrado: 987654
Testando 1234567 abc a987654 111222
- encontrado: 987654
- encontrado: 111222

(1): Na verdade o ponto, por padrão, corresponde a qualquer caractere exceto quebras de linha. Mas é possível fazer com que ele também considere quebras de linha, usando a flag DOTALL.

2

Essa REGEX .*([0-9]{6}).* além de trazer o último número dentro do grupo, pois como foi detalhado na resposta do @hkotsubo, o seu contador (.*) traz o máximo possível de qualquer caractere que esteja antes do número de 6 dígitos e depois dele, trazendo toda a String consigo.

A forma mais simples que eu vejo para trazer os números é isso:

  ([0-9]{6}) // Trazer um grupo de números com 6 dígitos

Dependendo do que realmente precisa, pode se fazer necessário analisar cada parte encontrada pela regex, ou dar mais complexidade a ela para fazer um filtro mais específico.

Se você precisa apenas da primeira ocorrência, basta fazer isso:

   String str = "987654 original4343 - Co 123456 asd.pdf";

   Pattern regex = Pattern.compile("([0-9]{6})");    
   Matcher pesquisa = regex.matcher(str);    
   pesquisa.find();
   System.out.println(pesquisa.group());// primeira ocorrência

Mas você quiser todos os números encontrados, poderá fazer assim:

   Pattern regex = Pattern.compile("([0-9]{6})");    
   Matcher pesquisa = regex.matcher(str);    
   while (pesquisa.find()) {    
        System.out.println(pesquisa.group());
   }

Só não esquece de importar as classes:

import java.util.regex.*;

Interessante destacar esta citação do @hkotsubo:

Esse .* é traiçoeiro, alguns autores mais radicais dizem para "nunca" usar - que acho meio exagerado, claro, vc deve usar com cuidado, mas se souber o que está fazendo não tem problema nenhum

7
  • 2
    "Eu não sei como essa REGEX .*([0-9]{6}).* trouxe apenas o último número" - Trouxe apenas o ultimo porque o primeiro .* é greedy logo apanha o máximo que puder.
    – Isac
    Commented 1/03/2019 às 10:25
  • De fato, sobre o .*, é o que o @Isac falou. Coloquei uma resposta com uma explicação detalhando um pouco isso - e mais algumas observações :-)
    – hkotsubo
    Commented 1/03/2019 às 12:11
  • @hkotsubo sim... Acabei me expressando mal. Commented 1/03/2019 às 13:14
  • @Isac tinha me expressado mal... O que eu quis dizer "Eu não sei como essa REGEX[..]" é que ela não pega APENAS o último número. E sim TODA a String. Eu fiz testes com java e do jeito que estava aquela regex, puxava tudo! Commented 1/03/2019 às 13:30
  • 1
    Ele traz toda a string por causa do segundo .* depois dos dígitos. A "ganância" vale para ambos: o primeiro .* pega o máximo possível antes dos dígitos (fazendo com que considere a última sequência de 6 dígitos), e o segundo pega todo o resto depois desses 6 dígitos (ou seja, vai até o final da string). O resultado é a string inteira... Esse .* é traiçoeiro, alguns autores mais radicais dizem para "nunca" usar - que acho meio exagerado, claro, vc deve usar com cuidado, mas se souber o que está fazendo não tem problema nenhum.
    – hkotsubo
    Commented 1/03/2019 às 14:11

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 .