6

Preciso selecionar registros que tenham no meio do texto números de telefone para excluir (moderação automática).

É um fórum, pessoas todos os dias comentam e colocam números de telefone no meio do cometário (whats).

Exemplo de formatos: 993345987, 9 93345987, (21)932324343, (21)9 3232 4343, etc...

Se conseguisse pegar dois padrões (922222222, 9 2222 2222) acho que já daria certo.

Estou fazendo assim, bem simples:

select * from tabela where comentario REGEXP '[0-9]{9}'; 

Está retornando os números de telefone, porém outros números, como por exemplo 3333333333333333333333, também retornam registros.

Como limitar para trazer só os números que tenham 9 caracteres somente, assim: 966666666.

1
  • Uma forma de fazer isso é esta(não está MUITO bem feita mas resolve): (\([0-9]{2,3}\)[0-9 ]{8,11}|[0-9]{8,11}|[0-9 ]{8,14}) Commented 22/01/2019 às 18:08

3 Respostas 3

7

Se são os próprios usuários que colocam os telefones nos comentários, então não há muito controle sobre o formato.

Claro que você pode considerar alguns formatos mais comuns. Pelos seus exemplos, vi que podem ser os 9 dígitos do número do celular, todos juntos ou separados por espaços (999999999, 9 9999 9999 ou 99999 9999), sendo o DDD opcional.

A resposta do @LipESprY sugere uma regex bem complexa para contemplar estes (e muitos outros) casos, mas a sintaxe de regex suportada pelo MySQL infelizmente é um pouco limitada e não vai suportar todos os recursos propostos, como \d para representar dígitos ou os lookaheads e lookbehinds (os trechos que começam com (?=, (?! e (?<!).

Sendo assim, segue uma alternativa que verifica alguns formatos:

select * from tabela where comentario REGEXP
'(^|[^0-9])(\\(?0?[0-9]{2}\\)?)?9 ?[0-9]{4} ?[0-9]{4}([^0-9]|$)';

(^|[^0-9]): o | significa "ou". Portanto, este trecho significa "início da string" (^) ou "qualquer coisa que não seja número" (o [^ significa que não quero o que vem depois, ou seja, não quero 0-9 - nenhum dígito de zero a 9).

Isso garante que até aqui eu posso estar no início da string (vai que o telefone já está no início), ou tem qualquer caractere que não seja um número (evitando que pegue casos como 3393333333333333333).

Em seguida temos (\\(?0?[0-9]{2}\\)?)?. Vamos por partes, de dentro para fora:

  • 0?[0-9]{2} - um zero opcional (0? - o ? indica "zero ou uma ocorrência", o que é o mesmo que dizer "opcional"), seguido de 2 dígitos ([0-9] é qualquer dígito de 0 a 9, e {2} que dizer "duas ocorrências"), pois o DDD pode ser escrito como 11 ou 011
  • \\(? e \\)? - os parênteses podem ser opcionais. Fiz assim porque somente os parênteses ( e ) têm significado especial em regex, pois servem para agrupar sub-expressões. Por isso temos que escapá-los com \\.
  • por fim, todo este trecho está entre parênteses (ou seja, agrupado em uma única sub-expressão), e o ? no final faz todo este trecho ser opcional.

Ou seja, o DDD é opcional.

Depois temos 9 ?, que é o número 9 seguido de um espaço opcional (repare que há um espaço antes do ?, ou seja, o espaço que é opcional, não o 9). Aqui estou assumindo que serão somente números de celular que começam com 9 - lembrando que futuramente poderemos ter celulares que começam com 8, 7, etc, então fica a seu critério deixar sempre 9 ou trocar para [0-9] (ou [7-9] se quiser que comece somente com 7, 8 ou 9, etc).

Depois temos [0-9]{4} (4 dígitos), seguido de um espaço opcional, mais 4 dígitos.

E por fim, temos ([^0-9]|$): qualquer caractere que não seja número ou o final da string ($). Isso também garante que não vai pegar mais dígitos que o necessário, evitando que pegue por exemplo 3393333333333333333.

Neste SQLfiddle você pode ver esta query funcionando.


Se quiser incrementar, pode colocar o separador como hífen ou espaço, por exemplo, assim seriam aceitos números como 9 9123-4567 ou 99123-4567. Basta trocar os espaços opcionais por [ \\-]? (um espaço ou um hífen, opcional). A regex ficaria assim:

select * from tabela where comentario REGEXP
'(^|[^0-9])(\\(?0?[0-9]{2}\\)?)?9[ \\-]?[0-9]{4}[ \\-]?[0-9]{4}([^0-9]|$)';

Veja aqui ela funcionando.

Também é possível adicionar um espaço opcional depois do DDD:

(^|[^0-9])(\\(?0?[0-9]{2}\\)?)? ?9 ?[0-9]{4} ?[0-9]{4}([^0-9]|$)
                               ^^

Sem esse espaço, o DDD é ignorado para casos como (11) 9 9123 4567 - somente o número de telefone é capturado pela regex, mas o DDD não, veja aqui um exemplo. Já colocando o espaço opcional, o DDD também é capturado, veja aqui a diferença.

Outro detalhe é que estamos considerando apenas números de celular. Mas ainda existem números de telefone com 8 dígitos (em residências nem tanto, mas em empresas, ainda é bem comum). Se também quiser considerar estes números, basta colocar o 9 como opcional:

(^|[^0-9])(\\(?0?[0-9]{2}\\)?)? ?9? ?[0-9]{4} ?[0-9]{4}([^0-9]|$)
                                 ^^

Só lembrando que, como são os usuários que digitam seus números, sempre poderá haver algum formato estranho que você não previu. E quanto mais possibilidades, mais complexa vai ficando a regex.

Por exemplo, a regex que sugeri só considera um espaço em branco opcional. Mas se quiser que tenha mais de um espaço, pode trocar o ? por * (zero ou mais ocorrências), ou limitar a quantidade com chaves (por exemplo, {0,3} limita entre 0 a 3 ocorrências).

Há também a possibilidade de um CPF ser confundido com um telefone, já que ambos podem ser escritos sem nenhum separador (43912341222 pode ser tanto um CPF quanto um DDD + telefone - mesmo que as pessoas costumem escrever o CPF como 439.123.412-22, quem garante que não vai ter um caso assim? De qualquer forma, veja se isso se aplica aos seus casos). Enfim, regex não é um negócio tão "mágico" assim, e cabe a você avaliar se vai confiar tanto nela ao ponto de remover automaticamente qualquer coisa que ela pegar...

Talvez seja melhor seguir a sugestão dada na resposta do @LipESprY e verificar isso antes de inserir no banco. Não sei qual linguagem você está usando, mas a maioria delas possui engines de regex mais modernas, o que permite escrever expressões como essa, por exemplo (que usa \b para delimitar os telefones, sem precisar usar o "truque" que fiz acima com (^|[^0-9]) e ([^0-9]|$), além de usar \d como um atalho para [0-9] e \s para espaços).

3
  • 1
    Excelente complemento! Belo "truque": (^|[^0-9]) e ([^0-9]|$). Realmente, como vc disse, dá pra simplificar bastante a minha expressão, principalmente sobre o ? para uma ou nenhuma ocorrência. Não tenho costume de usá-lo. kk (LisESprY???)
    – LipESprY
    Commented 22/01/2019 às 23:26
  • @LipESprY-defolga- Seu username é muito difícil, tentei digitar só olhando e errei, devia ter feito ctrl-c ctrl-v. Corrigido :-)
    – hkotsubo
    Commented 22/01/2019 às 23:37
  • 1
    Esquenta não, pow! Tava zuando! kkkk
    – LipESprY
    Commented 23/01/2019 às 0:35
3

Execute a query:

select * from tabela where comentario REGEXP '.*[0-9]{2}9[0-9]{8}.*|.*[0-9]{2} 9 [0-9]{4} [0-9]{4}.*';

Veja exemplo prático em http://sqlfiddle.com/#!9/225b6cf/2

1
3

"- [...] que tenham no meio do texto números de telefone para excluir (moderação automática) [...] É um fórum, pessoas todos os dias comentam e colocam números de telefone no meio do cometário"

Primeiro, vou começar com uma dica. Moderação automática sugere que você vai excluir automaticamente quando "encontrar alguma ocorrência da expressão regular".

Com uma simples expressão regular você pode acabar excluindo o que não deve ser excluído!

Seguindo essa linha de raciocínio, você deveria criar um sistema de análise: quando a consulta com expressão regular encontrar alguma "suspeita", um humano (moderador) irá avaliar se deve ser excluído ou não. Implemente como achar ideal ao seu uso, claro!


O primeiro requisito para utilizar expressão regular é entender que elas buscam seguindo um (ou mais) padrão!

Quando se trata de entradas de usuários do seu sistema, você deve prever o máximo possível de padrões para formular sua expressão regular.

E não apenas buscar dois números seguidos de um 9 seguido de oito números ou este mesmo raciocínio permitindo espaço entre os números.

Usuários podem escrever um número de telefone sem sequer seguir um padrão... O que podemos fazer é buscar o máximo possível de padrões e, com o tempo, ir evoluindo a expressão regular. Conforme você vai vendo ocorrências que não foram encontradas pela sua consulta...


Seguindo esta minha teoria, formulei uma expressão que visa encontrar alguns dos padrões mais utilizados:

(?=\d{2,3}9\d+)(?<!\d)(\d{11,12})(?!\d)|(?<!\d)(\d{2}\s\d{5}\s\d{4})(?!\d)|(?<!\d)(0\d{2}\s\d{5}\s\d{4})(?!\d)|(?<!\d)(\d{2}\s9\s\d{4}\s\d{4})(?!\d)|(?<!\d)(0\d{2}\s9\s\d{4}\s\d{4})(?!\d)|(?<!\d)(\d{9})(?!\d)|(?<!\d)(\d\s\d{8})(?!\d)|(?<!\d)(\(\d{2}\)\d{9})(?!\d)|(?<!\d)(\(0\d{2}\)\d{9})(?!\d)|(?<!\d)(\(\d{2}\)\d{1}\s\d{4}\s\d{4})(?!\d)|(?<!\d)(\(0\d{2}\)\d{1}\s\d{4}\s\d{4})(?!\d)|(?<!\d)(\(\d{2}\)\s\d{1}\s\d{4}\s\d{4})(?!\d)|(?<!\d)(\(0\d{2}\)\s\d{1}\s\d{4}\s\d{4})(?!\d)

Imensa, né!? Pois bem! Ainda assim ela não encontra nem a metade das inúmeras possibilidades!

Mas tomei como objetivo principal os exemplos citados na pergunta e alguns outros que fui pensando conforme ia desenvolvendo a expressão.

Veja ela funcionando no RegEx101.com/r/ZAfehD/1/:

Teste no RegEx101.com

Repare que, no próprio teste, deixei exatamente a expressão que encontra aquela ocorrência. A expressão como um todo é uma união de todas estas pequenas expressões: expressão|outra_expressão|outra_expressão|....

Agora basta você adicioná-la a sua query e, dependendo da quantidade de registros, aguardar algum tempo até retornar as ocorrências...


Outra dica é você filtrar antes de inserir no banco de dados. Direto na sua aplicação.

Fica muito mais "leve" para o seu servidor executar esta expressão regular em um único texto (comentário) do que percorrer todos os registros na tabela do seu banco de dados...

Ex.: Tentei simular uma consulta no SQLFiddle a fim de complementar esta resposta, mas deu timeout...

1
  • 1
    Muito bom! Mas tenho quase certeza que dá para simplificar sua regex - fiz uma que funciona quase igual à sua (um caso ou outro fica diferente), e não deve ser difícil mudá-la para ficar igual (fiquei com preguiça de continuar...) Infelizmente, o MySQL não suporta \d, nem lookaheads/lookbehinds, mas se seguir sua dica de validar antes de inserir no banco, dá pra usar tranquilo. Sobre o suporte do MySQL, deixei os respectivos links na minha resposta
    – hkotsubo
    Commented 22/01/2019 às 23:15

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 .