O problema da sua regex é o atalho \b
. Ele indica uma word boundary ("fronteira de palavra"), ou seja, uma posição que possui um caractere alfanumérico antes e um não-alfanumérico depois (ou vice-versa, veja aqui uma explicação mais detalhada).
O problema é que a definição do que é alfanumérico varia muito entre as linguagens, API's e engines de regex. Alguns consideram todas as letras e dígitos definidas pelo Unicode (ou seja, englobam todos os alfabetos existentes no mundo), enquanto outros se restringem ao ASCII (apenas letras de "a" a "z" maiúsculas e minúsculas, dígitos de 0 a 9, e o caractere _
). No caso do JavaScript, adivinhe só, caracteres acentuados não são considerados "word characters".
Dá para fazer um teste simples:
console.log('Álvaro'.split(/\b/)); // [ 'Á', 'lvaro' ]
O split
é feito no \b
(ou seja, na posição em que há um caractere alfanumérico antes e um não-alfanumérico depois, ou vice-versa). E como o caractere acentuado Á
não é considerado alfanumérico, e logo depois dele tem um alfanumérico (a letra l
), foi feita a quebra nesta posição.
Sendo assim, \b
não vai funcionar no seu caso. Se a string começa com um caractere acentuado, a posição anterior a ele (o início da string) não corresponde a \b
(pois como explicado aqui, o início da string é considerada uma "posição que não tem um caractere alfanumérico", então um caractere acentuado no início é considerado uma posição que tem um caractere não-alfanumérico antes (o início da string) e um não-alfanumérico depois (a letra acentuada)).
O jeito é não usar \b
, e em vez disso, indicar que depois das letras você só pode ter espaços ou o final da string:
let exp = /^([a-zA-ZÀ-ú']{2,40}(\s+|$)){2,}$/;
[ 'Álvaro Silva', 'Ítalo José', 'Érica Santos', 'SemSobrenome' ].forEach(s => {
console.log(`${s}: ${exp.test(s)}`);
});
Depois do nome eu coloco (\s+|$)
(o quantificador +
indica "um ou mais" e o caractere |
indica alternância, então este trecho significa "um ou mais espaços ou o final da string"). Você estava usando \s*
, que significa "zero ou mais espaços", o que poderia pegar casos que não tem sobrenome. Forçando pelo menos um espaço eu garanto que tem que ter algo depois (e o quantificador {2,}
garante que isso deve se repetir pelo menos duas vezes). Com isso, eu aceito nomes com acentos, e força a ter pelo menos um sobrenome.
Repare que ao criar uma expressão com /^etc.../
, você já tem uma instância de RegExp
, pois a expressão entre barras é a forma literal de se criar uma regex. Não precisa fazer new RegExp(exp)
, pois exp
já é uma regex e você pode usá-lo diretamente. Vi também que você usou string.match(regex)
, mas se você só quer saber se a string corresponde à regex (apenas "sim" ou "não"), pode usar regex.test(string)
(match
retorna um array contendo os resultados da busca, enquanto test
retorna apenas true
ou false
, que parece ser o que você precisa).
Também troquei A-z
por a-zA-Z
. Isso porque o intervalo A-z
acaba pegando outros caracteres que não são letras, como o [
e \
, por exemplo. Veja a diferença:
let s = "a[\\]b";
console.log(s.match(/[A-z]+/g)); // [ 'a[\\]b' ]
console.log(s.match(/[a-zA-Z]+/g)); // [ 'a', 'b' ]
Também removi as flags g
e m
, pois não parecem ser necessárias. A flag g
serve para buscar todas as ocorrências em uma string (pois por padrão, somente a primeira ocorrência é retornada). Se a string tem mais de um nome e você quer buscar todos, aí faz sentido usá-la. Se a string só tem um único nome, não fará diferença ter o g
.
E a flag m
serve para mudar o comportamento dos marcadores ^
e $
. Por padrão eles correspondem apenas ao início e fim da string, mas com a flag m
eles também passam a considerar o início e fim de uma linha. Se você estiver buscando em uma string que contém um nome por linha, aí faz sentido usá-la (juntamente com g
se quiser todas as ocorrências). Mas se estiver tudo em uma única linha, aí não precisa da flag e nem dos marcadores. Ex:
let exp = /^([a-zA-ZÀ-ú']{2,40}( +|$)){2,}$/gm;
let nomes = 'Álvaro Silva\nÍtalo José\nÉrica Santos\nSemSobrenome';
console.log(nomes.match(exp)); // [ 'Álvaro Silva', 'Ítalo José', 'Érica Santos' ]
No exemplo acima, cada nome está em uma linha, e usei as flags m
(para que ^
e $
também considerem o início e fim de linha) e g
(para que match
retorne todas as ocorrências). Eu só tive que trocar o \s
por um espaço (repare que há um espaço antes do +
), porque \s
também considera outros caracteres, inclusive as quebras de linha, então ele estava considerando que a string inteira era um único nome. Trocando-o por espaços eu evito este problema.
Agora se a string só tem um único nome, as flags não farão diferença.
Outro ponto é que você mencionou que deve aceitar acentos na primeira e última letra. Bem, se for somente na primeira ou última, aí teria que adaptar um pouco:
let exp = /^([a-zA-ZÀ-ú][a-zA-Z]{0,38}[a-zA-ZÀ-ú]( +|$)){2,}$/gm;
let nomes = 'Álvaro Silva\nÍtalo José\nÉrica Santos\nSemSobrenome\nAcentos Estão no Meio';
console.log(nomes.match(exp)); // [ 'Álvaro Silva', 'Ítalo José', 'Érica Santos' ]
Agora eu coloco os acentos apenas na primeira e última letra, e entre eles eu deixo apenas as letras não acentuadas. Mudei as quantidades para {0,38}
, porque antes você estava usando {2,40}
(no mínimo 2, no máximo 40), mas como agora a primeira e última letra estão colocadas explicitamente, o meio terá entre 0 e 38 caracteres.
Outro detalhe é que o intervalo À-ú
inclui alguns caracteres que não são letras acentuadas, como por exemplo o Æ
e o ÷
(DIVISION SIGN), além de deixar de fora o ü
(que é usado em nomes alemães, por exemplo) - veja aqui a lista completa. Além disso, sua regex tem um apóstrofo ali no meio, não sei se faz sentido, então retirei.
Para uma regex que contemple acentos, existem outras alternativas listadas aqui (vale mencionar a possibilidade de "esquisitices" como a normalização Unicode, e se quiser se aprofundar, veja aqui).
Outra alternativa é usar lookarounds para verificar se algo existe antes ou depois de determinado trecho:
let exp = /^(((?<![a-zA-ZÀ-ü])[a-zA-ZÀ-ü]{2,40}(?![a-zA-ZÀ-ü]))( +|$)){2,}$/gm;
let nomes = 'Álvaro Silva\nÍtalo José\nÉrica Santos\nSemSobrenome\nAcentos Estão no Meio';
console.log(nomes.match(exp)); // [ 'Álvaro Silva', 'Ítalo José', 'Érica Santos', 'Acentos Estão no Meio' ]
O trecho (?<![a-zA-ZÀ-ü])
é um lookbehind negativo, que verifica se algo não existe antes de determinada posição. No caso, estou verificando se não existe uma letra antes. De forma similar, (?![a-zA-ZÀ-ü])
é um lookahead negativo, que verifica se algo não existe depois.
Ou seja, eu busco pelas letras, desde que antes e depois não haja uma letra, seja ela acentuada ou não (é uma forma de simular o \b
, porém considerando também as letras acentuadas).
Outra opção (que ainda não é compatível com todos os browsers, então avalie se faz sentido no seu caso) é usar Unicode property escapes:
// aceita acentos em qualquer parte do nome
let exp = /^(\p{L}{2,40}( +|$)){2,}$/ugm;
let nomes = 'Álvaro Silva\nÍtalo José\nÉrica Santos\nSemSobrenome\nAcentos Estão no Meio';
console.log(nomes.match(exp)); // [ 'Álvaro Silva', 'Ítalo José', 'Érica Santos', 'Acentos Estão no Meio' ]
// aceita acentos apenas no início e fim
exp = /^((\p{L}\p{M}*)\p{L}{0,38}(\p{L}\p{M}*)( +|$)){2,}$/ugm;
console.log(nomes.normalize('NFD').match(exp)); // [ 'Álvaro Silva', 'Ítalo José', 'Érica Santos' ]
Basicamente, \p{L}
aceita qualquer letra definida pelo Unicode, incluindo as acentuadas. Repare que precisa da flag u
, que habilita o "modo Unicode".
Já para aceitar os acentos somente no início ou fim, usei a normalização (veja mais detalhes sobre isso lendo aqui, aqui e aqui). Mas basicamente, ao normalizar para NFD, letras como Á
são "quebradas" em duas: a letra A
sem acento e o próprio acento. Assim, \p{L}
pega a letra e \p{M}
pega os acentos (zero ou mais, no caso). Já no meio da string eu não considero os acentos, então no fim a regex só aceita acentos no início e fim do nome.
Só que agora ficou abrangente demais, pois \p{L}
considera vários outros alfabetos, como o japonês, árabe, cirílico, etc (basicamente, todos os que pertencem às categorias que começam com "L" desta lista). Se quiser considerar somente o nosso alfabeto (e o browser suportar este recurso), pode trocar \p{L}
por \p{Script=Latin}
.