2

Como exemplo tenho a seguinte sentença:

texto = O gato subiu no telhado de 10m, um homem jogou-lhe uma pedra e ele caiu de uma altura de 20m.

Quero extrair a seguinte informação:

(O gato subiu 10m, O gato caiu 20m)

Tentei:

(gato).*(subiu|caiu).*(?=m)

E me retornou apenas

gato subiu 10m.

Posso tb usar:

>>search_1=re.findall(re.compile('gato.*subiu.*(?=m)'),texto)

>>search_1=[gato subiu 10]

>>search_2=re.findall(re.compile('gato.*caiu.*(?=m)'),texto)

>>search_2=[gato caiu 20]

e depois junto as duas listas.

Mas ainda acredito que deve existir uma forma mais otimizada de escrever isso em apenas uma linha de código.

obs: As sentenças sempre respeitam essa ordem [gato / palavra / número seguido de "m"]

6
  • 3
    Mas não há na sua setença o gato caiu, tem ele caiu. A expressão deve conseguir entender que ele refere-se a gato?
    – Woss
    Commented 12/04/2017 às 20:21
  • Se tivesse a palavra gato duas vezes seria fácil, mas só aparece uma vez.
    – Mueladavc
    Commented 12/04/2017 às 20:27
  • Se eu usar '(o gato).+caiu.+(?=m)' retorna o que eu preciso, mas dai teria que fazer isso pra cada ocorrência, subiu, caiu... etc.
    – Mueladavc
    Commented 12/04/2017 às 20:30
  • Mas primeiro responda nossa dúvida: como você quer que retorne gato caiu sendo que não existe esta expressão no texto? Não deveria retornar ele caiu 20m?
    – Woss
    Commented 12/04/2017 às 20:43
  • A única possibilidade que consigo ver é ideone.com/rqHi3v. Mas se a necessidade é que realmente retorne gato caiu, necessita-se de um pouco mais de código.
    – Woss
    Commented 12/04/2017 às 20:51

1 Resposta 1

2

Não se pode fazer com uma única expressão usando o módulo re de Python
(embora seja possível com o módulo regex, criado por Matthew Barnett, usando \G).

Adendo (Guilherme Lautert):

A razão do porque você não poder usar a mesma regex para os dois casos, é que regex se usa para encontrar/substituir. E você tem um problema nessa logica.

Veja bem as sentenças que você quer é :

  1. O gato subiu 10m
  2. O gato caiu 20m

Você quer capturar O gato duas vezes, sendo que ele só aparece uma. Sendo o outro interpretado por "ele". Veja no regex101. Ou seja O gato já foi capturado por isso ele não é capturado novamente.

Use duas expressões, uma para casar o sujeito, outra para casar a palavra e o número, iniciando o casamento no final do último.

Sujeito:

\b(gato|coelho)\b

Sentença:

[^\n.]*?\b(subiu|caiu)\b[^\n.,]*?(\d+m\b)
  • [^\n.]*? - lista negada que casa qualquer caracter fora linha novas ou pontos (ou seja, na mesma sentença), com um quantificador não-guloso para o menor casamento possível.
  • \b(subiu|caiu)\b - grupo 1, para guardar ao verbo.
  • [^\n.,]*? - mais caracteres, menos linha novas, pontos ou vírgulas.
  • (\d+m\b) - grupo 2, para guardar ao número seguido de "m".


Código

import re

sujeito_re  = re.compile(r"\b(gato|coelho)\b", re.IGNORECASE)
sentenca_re = re.compile(r"[^\n.]*?\b(subiu|caiu)\b[^\n.,]*?(\d+m\b)", re.IGNORECASE)
resultado = ()

texto = "O gato subiu no telhado de 10m, um homem jogou-lhe uma pedra e ele caiu de uma altura de 20m."


for sujeito in sujeito_re.finditer(texto):
    pos = sujeito.end()
    while True:
        sentenca = sentenca_re.match(texto, pos)
        if not sentenca:
            break
        resultado += (sujeito.group(1) + " " + sentenca.group(1) + " " + sentenca.group(2),)
        pos = sentenca.end()

print (resultado)

Resultado:

('gato subiu 10m', 'gato caiu 20m')

Pode testar aqui: http://ideone.com/PuQPGH

2
  • Acho que até agora foi o que mais se aproximou. Tenho usado: search1 = re.findall(re.compile(gato.*subiu).*(?=m)),texto) e search2 = re.findall(re.compile(gato.*caiu).*(?=m)),texto) e junto as duas listas em uma. Pensei tb em caminhar pelo texto extraindo com search/group a posição da palavra, se houver e checar se ainda existe alguma outra ocorrencia até o final do texto, isso consumiria menos linhas de código. obs: texto = "O gato subiu no telhado de 10m, um homem jogou-lhe uma pedra e ele caiu de uma altura de 20m."
    – Mueladavc
    Commented 17/04/2017 às 10:38
  • @Mueladavc O menor número de linhas de código não significa mais otimizado. Este código é mais eficiente do que usar 2 findall. Como eu respondi, é impossível fazer com uma única expressão, a menos que você use o módulo regex.
    – Mariano
    Commented 18/04/2017 às 20:41

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 .