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
.