0

A partir de uma variável var palavra = 'nascer' (por exemplo) qual a expressão regular que pega todas as palavras inteiras de um texto? Incluindo as palavras que possuem acento no início ou no final.

Considerações:

  • Palavra não é substring - isso significa que "nasceram".includes("nascer") retorna true; pra mim não funciona pois eu considero palavras e não substrings
  • estou tendo cuidado em não considerar espaços em branco e pontuação (antes e depois) porque a variavel palavra só terá a 'palavra' de fato: nada antes, nada depois.
  • eu usei boundaries que é bem decente, mas o boundaries não pega acento

Eu fiz isso:

var palavra = 'nascer'

// a regex que pega todas as palavras 'nascer'
const regex = new RegExp(`\\b${palavra}\\b`, 'g');

Com esse 'boundaries' e o 'global'. Ele funciona. Pega todas as palavras, e inteiras, sem derivadas como 'nasceram' ou 'nascerão'.

Mas o boundaries não aceita acento, portanto ele não pega quando a variável começa ou termina com acento:

var palavra = 'água'
//ou
var palavra = 'café'

Nos casos acima ele não resolve.

Como melhorar esse regex para selecionar (a partir da variável) palavras inteiras, inclusive com acento no início ou final?

Tentei alguma coisa com ^ e o $ mas não rolou:

/^[A-Za-záàâãéèêíïóôõöúçñÁÀÂÃÉÈÍÏÓÔÕÖÚÇÑ ]+$/
//ou isso
/^[a-záàâãéèêíïóôõöúçñ ]+$/i

Não sei como colocar uma variável como critério de seleção.

1 Resposta 1

1

No JavaScript o atalho \b só considera os caracteres ASCII, então caracteres acentuados não são levados em consideração.

Uma alternativa é simular seu comportamento usando lookarounds juntamente com Unicode Property Escapes:

const regex = new RegExp(`(?<!\\p{L})${palavra}(?!\\p{L})`, 'ug');

Primeiro temos um lookbehind negativo: o trecho dentro de (?<! )) que indica que antes da palavra não tem uma letra (sendo que \p{L} é qualquer letra definida pelo Unicode, o que inclui inúmeros alfabetos diferentes, como o japonês, árabe, etc, e também caracteres acentuados).

E no fim temos um lookahead negativo: o trecho dentro de (?! ), que indica que depois da palavra não tem uma letra.

Ou seja, é como se fosse a "versão Unicode" do \b (bem simplificada, porque na verdade o atalho \b é um pouco mais complicado que isso).

Note que, para que o \p funcione, precisa colocar a flag u.

Testando:

function testar(palavra, frase) {
    const regex = new RegExp(`(?<!\\p{L})${palavra}(?!\\p{L})`, 'ug');
    // troca a palavra por X, para vermos se pegou as ocorrências corretas
    console.log(frase.replace(regex, 'X'));
}

testar('água', 'tem água nas águas, deságua'); // tem X nas águas, deságua
testar('café', 'toma café mas não nescafé, cafés, café'); // toma X mas não nescafé, cafés, X


Por fim, fica a dica de tomar alguns cuidados ao se criar uma regex cujo valor é uma variável qualquer: Criar expressões regulares com um padrão dinâmico é problemático? Se sim, há como evitar o problema?


E só para constar, sobre essa regex que você tentou:

/^[a-záàâãéèêíïóôõöúçñ ]+$/i

Isso não funciona porque ela significa o seguinte:

  • os marcadores ^ e $ indicam o início e fim da string
  • depois tem a classe de caracteres [a-záàâãéèêíïóôõöúçñ ], que pega letras com e sem acento e espaço
  • e o quantificador + significa "um ou mais"
  • e a flag i faz com que considere maiúsculas e minúsculas

Portanto, esta regex pega uma ou mais ocorrências de letras (com e sem acento) e espaços, do início ao fim da string. O que quer dizer que ela só dá match se a string inteira tiver somente esses caracteres. Basta que tenha algum diferente (como um sinal de pontuação, por exemplo) que ela já não encontra nenhum match. Ou seja, algo bem diferente do que você precisa.

4
  • HUm, perfeito. Alguma ideia sobre lidar com o case sensitive? por exemplo testar('água', 'Água nas águas, deságua'); ele também troca 'Água' por X ? Tentei a opção 'ugi' mas não pegou. Commented 1/09/2021 às 20:25
  • 1
    @LukeNegreiros A flag i deveria funcionar: ideone.com/ZOU3TZ - não sei se é uma daquelas coisas que variam conforme o browser, pois hoje em dia o suporte a Unicode já está bem razoável, mas não duvidaria...
    – hkotsubo
    Commented 1/09/2021 às 20:34
  • a minha implementação está errada. Olhe isso: jsfiddle.net/apw1ruy2 é um programinha para marcar palavras repetidas dentro de uma frase, com mais de três letras. E na função marcar_palavra_repetida() lá embaixo, eu crio uma fraseHTML e uso a variavel 'palavra' do parâmetro para construir essa string, por isso ele nunca iria marcar duas palavras iguais ignorando o case sensitive (repare na segunda linha, a palavra 'Advinha' com 'advinha' na mesma frase - gostaria que marcasse também). Commented 1/09/2021 às 21:44
  • @LukeNegreiros O problema do "Advinha" é que indexOf não é case insensitive: jsfiddle.net/4yk6xf83/1
    – hkotsubo
    Commented 2/09/2021 às 0:41

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 .