Você pode usar \b
, que é uma word boundary (na falta de uma tradução melhor, é algo como "fronteira entre palavras"). Basicamente, serve para indicar posições da string que possuem um caractere alfanumérico antes e um não-alfanumérico depois (ou vice-versa).
Por exemplo, colocando um \b
antes do arquiv
, você já elimina o caso do "desarquivamento".
Para os demais casos, não ficou muito claro todas as variações que a frase pode ter, mas pelo que entendi, os critérios são:
- pode ter "arquiv" ou "auto"
- pode ou não ter "arquiv" ou "auto" logo depois
- "definitivo" é opcional
- entre essas palavras pode ter zero ou mais palavras
Dá para fazer em uma regex só:
import re
frases = [
"arquivados os autos",
"autos arquivados",
"arquivamento definitivo",
"desarquivamento definitivo",
"arquive-se, portanto, os autos, de modo definitivo"
]
r = re.compile(r'\b(?:arquiv|auto)(\w+).*?(?:auto|arquiv)?.*?(?:definitiv)?')
for frase in frases:
if r.search(frase):
print('encontrou a frase {}'.format(frase))
A regex encontra todas as frases, exceto a que tem "desarquivamento". .*?
é "zero ou mais caracteres", garantindo que pode ter qualquer coisa entre as palavras desejadas.
E os ?
logo depois dos parênteses tornam todo o trecho opcional, assim, tanto o segundo parênteses (com auto|arquiv
) quanto o terceiro (com definitiv
) são opcionais.
Lembrando que essa regex é bem "ingênua" e propensa a falsos-positivos, dependendo de quão complexas forem as frases que você quer avaliar. Dependendo do que você quer fazer, talvez seja melhor seguir a recomendação que o Anderson deu nos comentários