Você pode usar o seguinte:
import re
texto = """
1.1. FLESH
1.1.2. BRAIN
"""
r = re.compile(r'^(?:[1-9]\.)+\s[A-Z]+', re.MULTILINE)
results = r.findall(texto)
print(results) # ['1.1. FLESH', '1.1.2. BRAIN']
Eu usei o marcador ^
, que geralmente significa "início da string", mas com a flag MULTILINE
, ele passa a significar "início da linha". Isso vai garantir que só vai pegar os números se estiverem no início da linha (como parece ser o caso).
Depois tem a sequência [1-9]\.
(um dígito de 1 a 9, seguido de um ponto). Tudo isso está entre parênteses, e o quantificador +
depois dos parênteses indica que todo esse grupo (dígito seguido de ponto) pode se repetir uma ou mais vezes. Assim, a regex pegará 1.
, 1.1.
e 1.1.1.1.1.
, etc.
Se quiser limitar a quantidade de vezes que o "dígito seguido de ponto" se repete, pode trocar o +
por {min,max}
. Por exemplo, (?:[1-9]\.){2,5}
significa que só pode se repetir no mínimo 2 e no máximo 5 vezes (também é possível usar {2,}
: no mínimo duas vezes, sem limite máximo).
Depois tem o espaço e [A-Z]+
(uma ou mais letras maiúsculas). Na sua regex você usou [A-Z]*
(zero ou mais letras), então sua regex vai dar match inclusive se não tiver nada depois do espaço. Se quiser forçar que tenha pelo menos uma letra, use o +
(ou use as opções {min,max}
, se quiser ser mais específico quanto à quantidade de letras permitidas).
Por fim, usei o método findall
, que retorna uma lista com todas as ocorrências da regex que forem encontradas. O resultado é a lista:
['1.1. FLESH', '1.1.2. BRAIN']
Repare que nos parênteses foi usado (?:
. Isso é para que eles sejam um grupo de não-captura. Se eu usasse somente (
, eles seriam um grupo de captura, e o método findall
retorna os grupos quando estes estão presentes. Como eu quero que retorne todo o match, eu precisei usar o grupo de não-captura.
Se você está buscando uma string por vez, não precisa da flag MULTILINE
:
r = re.compile(r'^(?:[1-9]\.)+\s[A-Z]+')
print(r.findall('1.1. FLESH')) # ['1.1. FLESH']
print(r.findall('1.1.2. BRAIN')) # ['1.1.2. BRAIN']
No caso, findall
é útil para encontrar todas as ocorrências de uma vez (caso tenha mais de uma na string). Mas se você só quiser uma ocorrência, pode usar o método match
:
r = re.compile(r'^(?:[1-9]\.)+\s[A-Z]+')
match = r.match('1.1. FLESH')
if match: # se encontrou um match
print(match.group()) # 1.1. FLESH
Se os números não ocorrem necessariamente no início da linha, basta remover o ^
da regex (e também não precisa da flag MULTILINE
):
r = re.compile(r'(?:[1-9]\.)+\s[A-Z]+')
Assim, o texto poderia ser 1.1. FLESH 1.1.2. BRAIN
(tudo na mesma linha), que o findall
encontrará ambas as ocorrências (como não ficou claro que os números só ocorrem no início da linha, escolha a opção que se encaixar melhor nos seus casos).
O método findall
retorna uma lista com as ocorrências encontradas. Mas se quiser iterar por elas, basta usar o método finditer
, que retorna um iterador de matches. A diferença é que findall
retorna uma lista de strings, enquanto finditer
retorna objetos match, que contém várias informações sobre o trecho encontrado. Ex:
import re
texto = "1.1. FLESH 1.1.2. BRAIN"
r = re.compile(r'(?:[1-9]\.)+\s[A-Z]+')
for m in r.finditer(texto):
print('String "{}" encontrada entre as posições {} e {}'.format(m.group(), m.start(), m.end()))
Saída:
String "1.1. FLESH" encontrada entre as posições 1 e 11
String "1.1.2. BRAIN" encontrada entre as posições 13 e 25
Na sua regex você usou [1-9][.]+
(um dígito de 1 a 9, seguido de um ou mais pontos), por isso ele não pega todos os dígitos.
Além disso, o atalho \b
(word boundary - "fronteira de palavra") é redundante, pois como a regex já indica que deve ter um espaço antes das letras, isso já denota uma fronteira de palavra (uma posição da string que possui um caractere alfanumérico antes e um não-alfanumérico depois, ou vice-versa). Por isso o \b
não é necessário neste caso.