Se cada linha só pode dar match em uma das expressões, uma opção é usar alternância, através do caractere |
.
Basicamente, basta fazer expressao1|expressao2|expressao3...
. Assim, a regex vai testando cada uma das alternativas, até que algum match seja encontrado. No caso, para montar esta regex, vou usar join
para unir todas as expressões de uma vez.
Outro detalhe é que o \
deve ser escapado (escrito como \\
, por estar dentro de strings). Do jeito que está, o \b
é interpretado como o caractere BACKSPACE. Para que ele seja interpretado como o word boundary de regex (que acredito ser a intenção), a \
precisaria ser escapada.
Mas geralmente, em Python, é melhor usar raw string literals para regex, colocando um r
na frente das aspas de abertura, assim a \
não precisa de escape:
import re
starts_with_Y = r'([Y][A-Za-z0-9]{6}([-][A-Za-z0-9]{1})?\s)'
starts_with_t = r'([t][a-zA-Z][][A-Za-z0-9]{3}[][A-Za-z0-9]([A-Za-z0-9])?\s)'
starts_with_Q = r'([Q]\d{4}\s)'
starts_with_RDN = r'(\b(\w*RDN\d{1,2}[-]\d\w*)\b)'
starts_with_snR = r'(\b(\w*snR\d{1,3}([-][A-Za-z0-9])?\w*)\b[ ])'
starts_with_NME = r'(NME\d{1}[ ])'
starts_with_ICR = r'(ICR\d{1}[ ])'
starts_with_LSR = r'(LSR\d{1}[ ])'
r = re.compile('|'.join([starts_with_Y, starts_with_t, starts_with_Q, starts_with_RDN, starts_with_snR, starts_with_NME, starts_with_ICR, starts_with_LSR]))
Com isso, a regex passa a ser starts_with_Y
, ou starts_with_t
, ou starts_with_Q
, etc. Um possível uso seria:
for linha in arquivo:
m = r.search(linha)
if m: # foi encontrado um match na linha
print(m.group()) # obter o trecho encontrado pelo match
Dá para simplificar as expressões.
Quando você só quer capturar um único caractere, não precisa dos colchetes, então [Y]
é o mesmo que Y
. Até mesmo [ ]
para espaço, pode ser trocado por um espaço mesmo (embora nesse caso específico pode não ficar tão claro que há um espaço). Já []
não quer dizer nada e pode ser removido (corresponde a literalmente "nada" - ou, dependendo da linguagem/engine, é considerada uma expressão inválida).
E {1}
quer dizer "exatamente uma ocorrência", mas por padrão, qualquer coisa colocada em uma regex - sem um quantificador - corresponde a uma ocorrência daquela coisa (x{1}
é o mesmo que x
), então isso pode ser removido também.
[A-Za-z0-9]{3}[A-Za-z0-9]([A-Za-z0-9])?
quer dizer que [A-Za-z0-9]
ocorre 3 vezes, depois mais uma vez, e opcionalmente mais uma vez. Ou seja, isso pode ocorrer 4 ou 5 vezes, então bastaria fazer [A-Za-z0-9]{4,5}
- a sintaxe {x,y}
quer dizer "no mínimo x vezes, e no máximo y vezes".
Por fim, as 3 últimas expressões são bem parecidas (3 letras específicas seguidas de um número e um espaço), então você poderia juntá-las em ((NME|ICR|LSR)\d )
(começa com "NME" ou "ICR" ou "LSR", seguido de número e espaço).
Resumindo, poderia ficar assim:
starts_with_Y = r'(Y[A-Za-z0-9]{6}(-[A-Za-z0-9])?\s)'
starts_with_t = r'(t[a-zA-Z][A-Za-z0-9]{4,5}\s)'
starts_with_Q = r'(Q\d{4}\s)'
starts_with_RDN = r'(\b(\w*RDN\d{1,2}-\d\w*)\b)'
starts_with_snR = r'(\b(\w*snR\d{1,3}(-[A-Za-z0-9])?\w*)\b )'
starts_with_NME_ICR_LSR = r'((NME|ICR|LSR)\d )'
r = re.compile('|'.join([starts_with_Y, starts_with_t, starts_with_Q, starts_with_RDN, starts_with_snR, starts_with_NME_ICR_LSR]))