2

Os exemplos são:

1.1. FLESH
1.1.2. BRAIN

Quero garantir que irei obter sequências número.número. ... espaço e uma string em caixa alta (não pode ser caixa baixa).

Tentei isto:

reg = r'[1-9][.]+\s\b[A-Z]*'

Porém, o resultado considera apenas a última sequência número + ponto:

Resultado:

2. BRAIN

2 Respostas 2

3

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.

1
  • OK, @hkotsubo. Irei testar e te darei um feedback. Commented 13/07/2019 às 3:56
0

Expressão Regular

Caso a string esteja na mesma linha, e não possua uma nova linha (CR ou LF), utilizar a seguinte Expressão Regular:

\d+(?:\.\d+)*[\s\S]*?\D(?=\s*(?:\d|$))

E ver a demo no Regex101:

Resultado da Regex 101

Detalhes

  • \d+ - 1 ou mais dígitos
  • (?:\.\d+)* - zero ou mais sequências de:
    • \. - ponto
    • \d+ - 1 ou mais dígitos
    • * - Quantificadorganancioso
  • [\s\S]*? - qualquer 0+ chars, mínimo possível, até o primeiro...
  • \D combina qualquer símbolo não-dígito
  • O (?=\s*(?:\d+|$)) verificador positivo exige a presença de zero ou mais espaços em branco [ \r\n\t\f\v] ((\s*)) seguidos de um ou mais dígitos (\d+) ou fim de string ($) imediatamente à direita.

Python

Para o programa no Python, utilize a biblioteca re

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 .