6

Estou quebrando a cabeça no site http://www.regexplanet.com/advanced/java/index.html

Estou tentando fazer uma regex que valide alguns .txt que não contenha os caracteres JJ ou M3 no final da linha.

Por exemplo, tenho os 3 .txt com as linhas abaixo:

.txt 1

  1. 4481;77831853;4461;60;CAD;VCP;M3
  2. 4647;86940830;4847;35;FRA;VCP;M3

.txt 2

  1. 3287;69872804;3297;37;ANT;VCP;JJ
  2. 3827;72247849;3857;38;DEC;VCP;JJ

.txt3

  1. 5634;7082850;5634;40;MAR;VCP;PZ
  2. 4362;3882867;4382;41;PAU;VCP;PZ

Preciso de uma regex que não aceite os .txt 1 e 2, somente o .txt 3, pois os dois últimos caracteres deles são diferentes de JJ e M3.

5 Respostas 5

8

Quem me acompanha aqui no SOpt sabe que eu não curto muito funcionalidades além das previstas para linguagens regulares.

A resposta fornecida pelo @nunks.lol usa o negative lookbehind, que não é regular no sentido matemático. Mas essa com certeza é uma solução ótima.

Mas eu posso fazer sem lookbehind!

Expressão das palavras que não terminam com JJ

O fato de não conter essas duas letras no final torna a questão mais fácil. Só ver a resposta dessa questão para ver o trabalho que dá negar uma subpalavra em qualquer lugar.

Para não acabar com JJ, temos 4 alternativas:

  1. A linha está em branco, portanto casa com ^$
  2. A linha contém exatamente um caracter, portanto ^.$
  3. O último caracter é não J, ^.*[^J]$
  4. O penúltimo caracter é não J, ^.*[^J].$

Portanto, a expressão a seguir casa com isso:

^$|^.$|^.*[^J]$|^.*[^J].$

Feio, não é? Mas felizmente pode ser simplificado:

^(.|.*([^J]|[^J].))?$

eu poderia ter simplificado mais ainda [^J]|[^J]., mas aí eu perderia o formato a ser usado na próxima expressão

Expressão das palavras que não terminam com M3

Para não acabar com M3, temos 4 alternativas:

  1. A linha está em branco, portanto casa com ^$
  2. A linha contém exatamente um caracter, portanto ^.$
  3. O último caracter é não 3, `^.*[^3]$
  4. O penúltimo caracter é não M, ^.*[^M].$

Eu poderia colocar a versão feia e logo em seguida a simplificada, mas também posso abreviar:

^(.|.*([^3]|[^M].))?$

Juntando tudo

Para juntar tudo, tem alguns casos especiais a se levar em consideração:

  1. Pode terminar em J se a penúltima letra for M
  2. Pode terminar em 3 se a penúltima letra for J

De resto, aglutinar as listas negadas faz o serviço. Esses seriam o únicos casos não tratados pela abstração anterior.

^(.|.*([^J3]|[^JM].|J3|MJ))?$
6
  • 1
    +1 pela saída sem lookaround! A sua resposta serve em qualquer implementação de regex.
    – nunks
    26/10/2017 às 2:57
  • @nunks.lol se eu te disser que nunca aprendi o lookahead, acredita? Aprendi regex com grep, sed e vim e ainda não precisei desse recurso (que não pertence às linguagens regulares mas chamam de regex) 26/10/2017 às 3:50
  • 1
    +1 gostei da parte ([^J3]|[^JM].|J3|MJ), dica você pode simplificar .|.* => .* 26/10/2017 às 12:25
  • @GuilhermeLautert mas é aplicável? O .* vem concatenado com coisas no fim, já o . é o único caracter solitário. Não consegui ver a simplificação, mas no momento que conseguir eu adiciono na resposta 26/10/2017 às 12:28
  • 1
    @JeffersonQuesado de fato foi erro meu, não daria para reduzir, eu bati o olho na ? e achei que era para a parte do ([^J3]|[^JM].|J3|MJ) 26/10/2017 às 14:56
6

Utilize a notação de "negative lookbehind" para garantir que a string não termina nos padrões que você definiu logo antes da quebra de linha, ou seja, um $ que não tem JJ ou M3 antes dele. Assim, a sua expressão regular fica:

^.*(?<!JJ|M3)$

Detalhando:

^          # início da linha
 .*        # qualquer caractere, zero ou mais vezes
   (?<!    # abertura do negative lookbehind
       JJ  # sequencia literal "JJ"
        |  # condicional "ou"
       M3  # sequencia literal "M3"
   )       # fechamento do negative lookbehind
$          # final da linha

Exemplo no regex101.com: https://regex101.com/r/2loAEN/2

(incluí algumas linhas com terminação variada em J e 3 para demonstrar que a expressão não nega mais do que deveria)

Explicação interessante de lookaround em expressões regulares: https://stackoverflow.com/questions/2973436/regex-lookahead-lookbehind-and-atomic-groups

Complementando: uma questão a ser levada em conta quando do uso de lookahead e lookbehind (os chamados lookaround) é a performance. O uso de lookaround tende a utilizar um pouco mais de CPU do que o match de expressões regulares "tradicionais". Caso você pretenda aplicar essa expressão de forma maciça, com muitas chamadas por segundo, pode ser vantajoso utilizar métodos de maior "verbosidade", como a resposta dada pelo @JeffersonQuesado.

2

Complementando as outras respostas, segue outra alternativa: para verificar se algo não é alguma coisa, muitas vezes é mais fácil verificar se é, e simplesmente inverter o resultado. Então você poderia usar esta regex:

String[] strings = { "4481;77831853;4461;60;CAD;VCP;M3", "4647;86940830;4847;35;FRA;VCP;M3",
                     "3287;69872804;3297;37;ANT;VCP;JJ", "3827;72247849;3857;38;DEC;VCP;JJ",
                     "5634;7082850;5634;40;MAR;VCP;PZ", "4362;3882867;4382;41;PAU;VCP;PZ",
                     "J", "3827;72247849;3857;38;DEC;VCP;AJ", "AJ", "JJ", "M3" };
for(String s : strings) {
    System.out.println(s + " = " + (! s.matches("^.*(JJ|M3)$")));
}

A regex é ^.*(JJ|M3)$. Os marcadores ^ e $ são o início e fim da string, para garantir que ela só tem que está especificado na regex.

.* é "zero ou mais caracteres" (o ponto é qualquer caractere - exceto quebras de linha) e o quantificador * significa "zero ou mais ocorrências".

JJ|M3 é uma alternância, que corresponde aJJ ou M3.

Ou seja, a regex verifica se a string termina com "JJ" ou "M3". Portanto, ela serve para verificar o que você não quer. Por isso eu inverto o resultado do método matches, usando !: se a regex encontrar um match, ela corresponde ao que você não quer, e vice-versa.

A saída do código acima é:

4481;77831853;4461;60;CAD;VCP;M3 = false
4647;86940830;4847;35;FRA;VCP;M3 = false
3287;69872804;3297;37;ANT;VCP;JJ = false
3827;72247849;3857;38;DEC;VCP;JJ = false
5634;7082850;5634;40;MAR;VCP;PZ = true
4362;3882867;4382;41;PAU;VCP;PZ = true
J = true
3827;72247849;3857;38;DEC;VCP;AJ = true
AJ = true
JJ = false
M3 = false

Um porém do código anterior é que o método matches cria uma nova instância de Pattern, e como ele está sendo chamado em um loop, são criadas várias instâncias. Mas como todas elas usam a mesma regex, daria para melhorar isso usando - e reaproveitando - uma única instância, criando-a fora do loop:

Matcher matcher = Pattern.compile("^.*(JJ|M3)$").matcher("");
for (String s : strings) {
    System.out.println(s + " = " + (!matcher.reset(s).matches()));
}

A saída é a mesma do código anterior.


Este caso também dá para resolver sem regex:

for (String s : strings) {
    System.out.println(s + " = " + !(s.endsWith("JJ") || s.endsWith("M3")));
}

O método endsWith verifica se a string termina com determinados caracteres. No caso, basta verificar se ela termina com "JJ" ou "M3", e negar o resultado.

1
  • 1
    Nem tinha imaginado na solução sem regex! 9/09/2019 às 19:37
1

Creio que esteja lendo o arquivo linha a linha, então usando essa deve resolver.
A regex mais simples que imaginei foi (.*(?!(M3|JJ))..|^.)$.

  • .*: Aceita os primeiros caracteres da linha
  • (?!(M3|JJ)): Verifica se a string contém os caracteres M3 ou JJ
  • ..: Garante que haverá dois caracteres no fim da linha, senão o M3 e o JJ iriam passar
  • ^.: Permite que haja uma linha com apenas um caractere
  • $: Fim de entrada, para garantir que os últimos caracteres aceitos são os últimos da linha
2
  • Não entendi sua resposta, ache ela confusa. Teria como organizar melhor o pensamento? 26/10/2017 às 3:49
  • Ok, vou fazer diferente 26/10/2017 às 16:11
0

Uma abordagem diferenciada será justamente buscar pelo resultado negativo:

...

String pattern = "/(JJ|M3)/";
Pattern regexp = Pattern.compile(pattern);
Matcher m = regexp.matcher(linhaLidaDoArquivo);

// Existe também o método find() para o objeto m
// o qual você poderá iterar e verificar quantas
// ocorrências encontrou no padrão fornecido
if(pattern.matches(m)) {
    System.out.println("O seu arquivo é INVÁLIDO");
else
    System.out.println("O seu arquivo é VÁLIDO");

Em outras palavras: você saberá e controlará o que você não quer que ocorra. O código acima busca pelas combinações (maiúsculas) com o padrão "JJ" e "M3" em qualquer posição da string. Caso eles ocorram dentro da linha lida, então as classes Pattern e Matcher irão identificar tal ocorrência. Se encontradas, o if retornará true e o tratamento do estado negativo poderá ser utilizado. Para os demais casos, você irá tratá-los com o cenário esperado e válido.

2
  • 1
    Eu nunca vi em Java compilar regex /entre barras/. Sem falar que o negative lookbehind do @nunks trata do que você propôs de modo mais elegante. 23/04/2018 às 16:51
  • O método matches da classe String recebe outra String como parâmetro, mas você está passando o Matcher (ou seja, o código sequer compila). Além disso, o certo é fazer stringQueQueroVerificar.matches(stringContendoPattern), mas vc tenta fazer o contrário. Sem contar que a regex está errada, conforme já disse o @JeffersonQuesado - apesar disso, a ideia de verificar se tem JJ ou M3 (em vez de fazer uma regex que verifica se não tem isso) é boa, tanto que fiz isso na minha resposta :-)
    – hkotsubo
    9/09/2019 às 16:33

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 .