2

Preciso quebrar um paragrafo em um conjunto de frases.

Por exemplo:

var paragrafo = "Sou Dr. José. Meu passatempo é assistir séries. Adoro animais!! E você?";
var frases = paragrafo.split('.')

Porém ele acaba quebrando na palavra Dr. também:

var array = [
      "Sou Dr."
      " José."
      "Meu passatempo é assistir séries."
      "Adoro animais!! E você?"
    ];

O que espero que retorne é:

var array = [
  "Sou Dr. José."
  "Meu passatempo é assistir séries."
  "Adoro animais!!"
  "E você?"
];
6
  • Bem, você deve ter um critério definido para usar algum código para fazer isso. No seu exemplo com split estaria perfeito, mas o código não pode "saber" que o ponto depois de "Dr" não deve ser feito o split. Assim fica complicado, já que ponto apenas não resolve no seu caso. 5/02/2018 às 15:40
  • para que você quer fazer isso? voce pode esta tendo a solução errada para um problema 5/02/2018 às 15:43
  • Entendi, pesquisei um pouco e vi que posso fazer isso com regex, saberia uma forma aonde eu posso adicionar as excessões, com o cado de Dr.?
    – Juliano
    5/02/2018 às 15:45
  • Em um contexto geral, preciso pegar paragrafos de um PDF (essa parte ja consegui), separar eles por frase e depois buscar em um banco de dados se existe um registro dessa frase lá.
    – Juliano
    5/02/2018 às 15:46
  • Esse pode ser somente um exemplo e no caso real vc tera mais excessoes. Voce pode normalizar as excessoes antes de realizar o split. Como por exemplo antes de fazer split trocar Dr. por Doutor somente. Ira ter problemas com ... em frases tambem, outra excessao. E assim por diante. Entao um passo antes do split eh criar um normalize com replace.
    – BrTkCa
    5/02/2018 às 15:55

1 Resposta 1

7

Solução (ECMAScript 2018 / ES9):

.*?[.!?](?![.!?])(?<!\b\w\w.)

Demonstração:

var paragrafo = "Sou Dr. José. Meu passatempo é assistir séries. Adoro animais!! E você?";
var frases = paragrafo.match(/.*?[.!?](?![.!?])(?<!\b\w\w\.)/g);
console.log(frases);

Explicação:

Antes de mais nada, já aviso que esse regex tem a limitação de deixar passar abreviações de apenas duas letras (e.g. "Dr.", "Sr.", "Pe.", "Mr." etc).

  • .*?[.!?] - Aqui estamos capturando qualquer trecho de texto terminado com ponto final, exclamação ou interrogação. Utilizo um lazy quantifier para capturar cada parte separadamente.
  • (?![.!?]) - Esse é um negative lookahead. Aqui estamos dizendo para não aceitar um match se na frente dele houver uma dessas pontuações (usei para capturar também as pontuações repetidas, como no trecho Adoro animais!!).
  • (?<!\b\w\w.) - Esse é um negative lookbehind. Aqui estamos dizendo para não capturar quando o nosso match terminar com um \b (representa um separador de palavras) e mais dois caracteres do tipo \w (que quer dizer o mesmo que [a-zA-Z0-9_]). Isso vai fazer com que textos como Dr. José ainda sejam considerados dentro da mesma frase, porém irá continuar separando se ocorrer algo como Dra. Maria.

Essa é a ideia dessa expressão regular. No entanto, se quisermos melhorar, como por exemplo remover os espaços que ficam sobrando no início das separações, podemos adicionar mais um negative lookahead para ignorar espaços:

(?! ).*?[.!?](?![.!?])(?<!\b\w\w.)

E em vez de tentar generalizar todos os casos de abreviações, você pode querer inserir cada caso específico naquele negative lookbehind de antes:

(?! ).*?[.!?](?![.!?])(?<!\bDr\.|Dra\.|Srs\.|Sras\.)

Resultado final:

var paragrafo = "Sras. e Srs., eu sou Dr. José. Minha esposa é a Dra. Maria. Meu passatempo é assistir séries. Adoro animais!! E vocês?";
var frases = paragrafo.match(/(?! ).*?[.!?](?![.!?])(?<!\bDr\.|Dra\.|Srs\.|Sras\.)/g);
console.log(frases);

Espero ter ajudado.

Atualização:

A solução apresentada acima utiliza a nova funcionalidade de lookbehind implementada no ES9. Como o OP, em comentário abaixo, disse que está utilizando um navegador que ainda não suporta essa implementação, também apresento uma solução que não usa lookbehind:

(?! )(.*?(\b\w\w\.))*.*?[.?!](?![.?!])

Explicação:

  • (?! ) - É um lookahead que eu utilizado para não capturar os espaços que sobram atrás das frases.
  • (.*?(\b\w\w\.))* - Aqui eu capturo qualquer caractere até chegar às exceções. Defini como regra geral o mesmo padrão explicado antes (\b\w\w\.), mas você também tem a opção de adicionar as exceções separadamente como no exemplo com o lookbehind. Esse padrão é colocado em um grupo de captura, e eu coloco um quantificador * após ele, para dizer que ele pode se repetir zero ou mais vezes.
  • .*?[.?!] - Aqui são capturados todos os caracteres, utilizando um lazy quantifier, até chegar ao ponto final, exclamação ou interrogação mais próximos.
  • (?![.?!]) - Esse é um negative lookahead. Quer dizer que eu não quero nenhum match seguido de uma pontuação. Uso para capturar frases como Adoro animais!!.

Demonstração:

var paragrafo = "Sou Dr. José. Meu passatempo é assistir séries. Adoro animais!! E você?";
var frases = paragrafo.match(/(?! )(.*?(\b\w\w\.))*.*?[.?!](?![.?!])/g);
console.log(frases);

7
  • mas em javascript não existe negative lookbehind ;/
    – Paz
    5/02/2018 às 16:55
  • @Paz O lookbehind em expressões regulares no Javascript está no estágio 4 do TC39, o que quer dizer que essa funcionalidade já foi implementada no ECMAScript. Inclusive, já está disponível a partir da versão 62 do Chrome. 5/02/2018 às 17:09
  • Que ótimo, não fazia idéia... +1
    – Paz
    5/02/2018 às 17:10
  • Parece uma ótima solução! Mas quando eu passo pro browser ele me retorna SyntaxError: invalid regexp group. Estou usando o Firefox
    – Juliano
    5/02/2018 às 19:13
  • @Juliano Infelizmente o Firefox ainda não suporta a implementação do lookbehind do Javascript, pois essa é uma funcionalidade recente. Essa expressão regular só vai funcionar para o Google Chrome a partir da versão 62. 5/02/2018 às 19:24

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 .