2

Tenho essas regex a seguir:

regex_list = [ 
    '(?:arquiv|auto)(\w+) (?:auto|arquiv) (?:definitiv)',
    '(?:arquiv|auto)(\w+) (?:auto|arquiv)',
    '(?:arquiv)(\w+) (?:definitiv)'
]

Meu o objetivo é capturar frases como: "arquivados os autos", "autos arquivados", "arquivamento definitivo", etc.

Só que quando coloco desarquivamento a regex também captura. As frases podem vir também como: "arquive-se, portanto, os autos, de modo definitivo".

Gostaria de saber como faço para ignorar os termos que vierem com prefixos (nesse caso, "desarquivamento", só quero palavras com prefixo arquiv.) e garantir que frases como essa última também sejam capturadas.

1
  • 1
    Expressão regular não parece ser a solução para o seu problema - até porque pelo visto as expressões não são regulares. Por que não utiliza alguma ferramenta de processamento natural de linguagem? Leia sobre NLTK.
    – Woss
    Commented 20/03/2019 às 19:03

2 Respostas 2

3

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

1
  • Grato, @hkotsubo. Na verdade, estou experimentando alternativas. Dependendo de como as coisas irão, mudarei a abordagem para melhor atender o problema. Mas suas instruções serviram para o que eu precisava no momento. Commented 20/03/2019 às 20:10
0

Com este regex você consegue algo parecido:

(autos?)|((?<!\w)arquiva(dos)?|(\-se)?)

Aqui você pode executar

O segredo aqui é o look behind, aqui explica bem.

(?<!\w) significa: olhe para trás e veja se tem uma palavra(conjunto de caracteres), se tiver, não corresponda.

Esse regex pode não estar 100%, mas creio que vá te ajudar.

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 .