A solução ideal depende muito da sua definição de "frase" e "palavra".
A abordagem mais simples (e ingênua, e provavelmente errada) é considerar que cada linha é uma frase e todas as palavras são separadas por espaços:
# palavra a ser buscada
busca = input('Digite a palavra desejada: ')
with open('Vidas secas.txt', 'r', encoding = 'utf-8') as arquivo:
for linha in arquivo: # assume que cada linha do arquivo é uma frase
# se a palavra está na linha, imprime a linha ("frase") inteira
if busca in linha.strip().split():
print(linha)
O método strip()
remove os espaços e a quebra de linha no final da linha, e split()
separa a linha em várias partes, separadas por espaços. O resultado é uma lista das palavras, e em seguida basta verificar se a palavra a ser buscada está nesta lista.
Outro detalhe é o uso de with
, que automaticamente fecha o arquivo, sem que você precise se preocupar com isso. Também coloquei o encoding como parâmetro, que você pode mudar de acordo com o encoding em que o arquivo está (veja a documentação para mais detalhes).
Mas essa abordagem, como eu já disse, é simplificada demais, e bastante propensa a erros. Veja por exemplo esse trecho do livro Vidas Secas:
– Anda, excomungado.
Esta frase possui 2 palavras: "Anda" e "excomungado". Mas se eu usar split()
:
print('– Anda, excomungado.'.split())
O resultado é a seguinte lista:
['–', 'Anda,', 'excomungado.']
O hífen foi considerado uma palavra, e as outras duas palavras são "Anda,"
(com a vírgula no final) e "excomungado."
(com o ponto no final). Ou seja, se você buscar por somente "Anda" (sem a vírgula), esta linha não será encontrada.
Então a solução é usar algum critério mais sofisticado, usando expressões regulares (regex), por exemplo. Para isso você pode usar o módulo re
.
Uma primeira tentativa seria usar \b
(que marca a "fronteira de palavra", ou seja, o início e fim de uma palavra, ver mais aqui e aqui) e \w+
(um ou mais caracteres alfanuméricos) para representar a "palavra". (\w
não é a melhor opção, mas por enquanto vamos usá-la para manter as expressões mais curtas - depois eu explico os problemas desta opção e dou outra alternativa).
Eu também coloco \w+
entre parênteses para que se forme um grupo de captura, pois aí a palavra que a regex encontrar estará disponível pelo método group
, conforme o exemplo abaixo:
import re
regex_palavras = re.compile(r'\b(\w+)\b')
# palavra a ser buscada
busca = input('Digite a palavra desejada: ')
with open('Vidas secas.txt', 'r', encoding = 'utf-8') as arquivo:
for linha in arquivo: # assume que cada linha do arquivo é uma frase
# buscar as palavras da linha, usando a regex
for match in regex_palavras.finditer(linha.strip()):
if busca == match.group(1): # group(1) contém a palavra
print(linha)
break
Agora você pode buscar por "Anda" (sem vírgula), que a frase "- Anda, excomungado" será encontrada, pois a vírgula será desconsiderada.
Também coloco um break
para interromper o for match ...
, pois se a palavra ocorrer duas vezes na mesma frase, eu não preciso imprimí-la duas vezes. Se eu já encontrei a palavra, eu imprimo a frase e não preciso mais verificar o restante dela.
O problema esta abordagem é que \w
também aceita dígitos * e o caractere _
. Ou seja, 123
e a_b
serão consideradas palavras. Claro que, se você tem "certeza absoluta" que esses casos não ocorrem (ou se for somente para um exercício, ou qualquer outro motivo que faça com que estes casos não "precisem" ser validados), poderíamos até parar por aqui (veja a alternativa para \w
mais abaixo).
* No Python 3, os dígitos aceitos por \w
são qualquer caractere da categoria Unicode "Number, Decimal Digit", o que inclui caracteres como ٠١٢٣٤٥٦٧٨٩
, entre outros (veja esta resposta para mais detalhes). No Python 2, por padrão ele só reconhece os dígitos de 0 a 9, e para reconhecer os demais dígitos, é preciso habilitar a opção UNICODE
(exemplo).
Mas há outros detalhes que talvez você precise levar em conta. Por exemplo, "Arrastaram-se" tem uma ou duas palavras? O código acima considera que são duas ("Arrastaram" e "se").
E quanto a "guarda-roupa", considera-se uma ou duas palavras? Talvez o hífen também devesse ser considerado parte uma palavra, desde que tenha pelo menos uma letra antes e depois, certo? Mas não se esqueça do apóstrofo, como em "gota-d'água", que também tem que ser incluído na lista de "caracteres que formam uma palavra". Se usarmos o código acima, elas serão consideradas mais de uma palavra ("guarda" e "roupa"; "gota", "d" e "água").
(Provavelmente o livro não tem as palavras supracitadas, mas podem haver outras palavras compostas e/ou com apóstrofos, e você deve decidir se vai considerá-las uma única palavra ou não).
Uma primeira tentativa de cobrir estes casos, considerando que palavras compostas contam como apenas uma palavra:
regex_palavras = re.compile(r"\b((?:\w+(?:'\w+)?)(?:-(?:\w+(?:'\w+)?))*)\b")
Basicamente, (?:
define um grupo de não-captura: faz com que os parênteses não estejam disponíveis no método group
. Isso faz com que não sejam criados grupos que eu não estou interessado (só preciso do primeiro, que contém a palavra inteira).
Depois eu uso '\w+
para definir "um apóstrofo seguido de um ou mais caracteres alfanuméricos", e coloco tudo dentro de parênteses, seguido de ?
, o que torna este trecho opcional. Faço a mesma coisa para o hífen, que pode estar seguido outros caracteres alfanuméricos (que também pode ter um apóstrofo no meio). Só que o trecho do hífen possui um *
depois, que significa "zero ou mais ocorrências", ou seja, pode ou não ter este trecho todo depois do hífen, e pode ter mais de um hífen (como em "água-de-colônia").
Com isso, consideramos palavras simples e compostas, com ou sem apóstrofo, como se fossem uma coisa só.
Apesar disso, esta regex ainda possui o problema de aceitar dígitos e _
, veja aqui em exemplo dela funcionando. Se quiser ser mais específico nos caracteres que a regex pode ter, basta trocar \w
por algo como [a-záéíóúâêîôûãõç]
, que só vai aceitar as letras de "a" a "z", os caracteres acentuados e a cedilha. Coloque mais caracteres dentro dos colchetes, caso precise (para textos em espanhol, por exemplo, precisaria colocar o ñ
).
Outro detalhe é que \w
considera letras maiúsculas e minúsculas, mas a alternativa [a-záéíóúâêîôûãõç]
só considera as minúsculas. Então não esqueça de setar a opção IGNORECASE
para que letras maiúsculas também sejam consideradas:
regex_palavras = re.compile(.... , flags = re.IGNORECASE)
Se quiser, também pode trocar o +
que está depois do \w
por alguma quantidade específica. +
significa "uma ou mais ocorrências", o que quer dizer que os artigos "a" e "o" também são considerados palavras. Se quiser somente palavras com duas letras ou mais, por exemplo, troque o +
por {2,}
. Você também pode colocar o tamanho máximo, se quiser: {2,20}
, por exemplo, vai aceitar entre 2 e 20 caracteres.
Lembrando que estes limites se aplicam a cada trecho específico. Por exemplo:
\w{2,20}(?:'\w{2,20})?
Significa "entre 2 e 20 caracteres alfanuméricos", seguido de apóstrofo, seguido de mais caracteres alfanuméricos (entre 2 e 20). Ou seja, esta palavra pode ter até 40 caracteres (20 antes do apóstrofo e 20 depois).
Enfim, escolha a sua definição de "palavra" e mude a regex de acordo com o que precisar.
Outro ponto a considerar é que pode ter mais de uma frase na mesma linha. Podemos considerar que "frases" são delimitadas por sinais de pontuação (ponto final, exclamação e interrogação), por exemplo. Então bastaria, para cada linha, fazer esta separação, antes de verificar as palavras:
regex_frases = re.compile(r"[.!?]+")
with open('Vidas secas.txt', 'r', encoding = 'utf-8') as arquivo:
for linha in arquivo:
# uma linha pode ter várias frases
for frase in regex_frases.split(linha.strip()):
for match in regex_palavras.finditer(frase):
if busca == match.group(1):
print(frase)
break
Eu usei como critério de separação das frases a regex [.!?]+
: uma ou mais ocorrências de qualquer um dos sinais de pontuação (ponto final, exclamação ou interrogação). Assim já estão inclusas frases que terminam com ...
e ?!
, por exemplo.
Mas claro que isso não resolve tudo. Neste trecho:
A seca aparecia-lhe como um fato necessário – e a obstinação da criança irritava-o.
São 2 frases ("A seca aparecia-lhe como um fato necessário" e "e a obstinação da criança irritava-o.") ou é uma só? A solução acima considera que é apenas uma única frase.
Se quiser considerar que são duas, não podemos simplesmente incluir o hífen como separador, pois aí "aparecia-lhe" também será quebrado em duas "frases". Podemos considerar então que o critério é "sinais de pontuação ou hífen com espaço antes e depois", por exemplo:
regex_frases = re.compile(r"(?: \– )|[.!?]+")
with open('Vidas secas.txt', 'r', encoding = 'utf-8') as arquivo:
for linha in arquivo:
# uma linha pode ter várias frases
for frase in regex_frases.split(linha.strip()):
for match in regex_palavras.finditer(frase):
if busca == match.group(1):
print(frase)
break
Neste caso, o trecho anterior é separado em duas frases. Se eu buscar por "fato", por exemplo, o resultado será a frase "A seca aparecia-lhe como um fato necessário" (o conteúdo depois do hífen é considerado outra frase).
Enfim, quanto mais casos diferentes aparecerem, mais complexa vai ficando a regex. Decida o que vai ser considerado "frase" e mude o código conforme suas decisões.
A solução anterior assume que não há frases que se estendem por mais de uma linha. Mas pode ser que isso aconteça (uma frase começa em uma linha e termina em outra, vai saber quem criou esse arquivo), então o jeito é ler todo o conteúdo do arquivo em uma única variável e em seguida usar as expressões regulares neste conteúdo:
with open('Vidas secas.txt', 'r', encoding = 'utf-8') as arquivo:
# todo o conteúdo do arquivo em uma única variável
conteudo = arquivo.read()
# separar o conteúdo em frases
for frase in regex_frases.split(conteudo):
for match in regex_palavras.finditer(frase):
if busca == match.group(1):
print(frase)
break
Há ainda outras melhorias, como por exemplo guardar a lista de frases em uma variável, para que não precise ler o arquivo toda hora (assumindo que várias buscas podem ser feitas de uma vez):
# guardar a lista de frases, assim não preciso ler o arquivo de novo
frases = regex_frases.split(conteudo)
for frase in frases:
for match in ... etc
E se quiser fazer uma busca case insensitive (sem diferença entre letras maiúsculas e minúsculas), você pode usar o método casefold()
, que retorna uma versão da string própria para este tipo de comparação. No caso, basta mudar o if
dos exemplos anteriores para:
if busca.casefold() == match.group(1).casefold():
# palavra encontrada (sem diferenciar maiúsculas de minúsculas)
O método casefold()
foi introduzido no Python 3.3. Caso sua versão seja anterior, a alternativa é usar o método lower()
.