2

Dada uma string no seguinte formato:

'a1in1iionia\n\nDados do cliente\nNome: Foo\nE-mail: [email protected]\n'

Preciso extrair o conteúdo completo do campo "Nome". Para isso, escrevi o código:

Nome: ([a-zA-Z]+)

O problema é que esse código tem como saída:

"Nome: Foo"

Embora eu precise somente de "Foo". Além disso, percebi que essa seleção não funciona para o caso de nome composto. Sem entrar em expressões regulares para nomes completos, preciso que a seleção deste campo termine em '\n', ou seja, no final da linha.

Como tornar minha expressão mais robusta para esses casos?

2
  • Estou usando Python3.x e testando através do site regex101.com Commented 8/04/2019 às 21:50
  • Essa regex está certa, mas você tem que utilizar o que está no grupo 1 e não a captura completa. Qual o código python que está usando ?
    – Isac
    Commented 8/04/2019 às 22:22

2 Respostas 2

4

Depende de como está a sua string.

Se depois de "Nome: " só tem o nome e logo depois a quebra de linha, o mais simples é usar:

import re

s = 'a1in1iionia\n\nDados do cliente\nNome: Foo\nE-mail: [email protected]\n'
result = re.findall(r'Nome: (.+)', s)
print(result)

Estou me aproveitando de três fatos:

O resultado é uma lista com o nome:

['Foo']

Você pode pegar o nome com result[0], se quiser. A regex funciona para nomes com espaços e vários sobrenomes.

Outra alternativa é usar search:

import re

s = 'a1in1iionia\n\nDados do cliente\nNome: Foo\nE-mail: [email protected]\n'
match = re.search(r'Nome: (.+)', s)
if match:
    print(match.group(1))

Com isso eu obtenho o que foi capturado no grupo de captura, usando o método group (como o nome está dentro do primeiro par de parênteses da regex, então ele é o grupo 1, por isso eu faço match.group(1)). A diferença para findall é que agora eu já tenho o nome como uma string (em vez de uma lista). O resultado é:

Foo

De qualquer forma, sua regex também estava correta, o único detalhe é que você não estava pegando o grupo de captura, e sim todo o trecho correspondente ao match.

Se quiser, também pode usar um lookbehind para verificar se existe o trecho "Nome: ":

import re

s = 'a1in1iionia\n\nDados do cliente\nNome: Foo\nE-mail: [email protected]\n'
match = re.search(r'(?<=Nome: ).+', s)
if match:
    print(match.group())

A diferença é que o lookbehind (o trecho entre (?<= e )) só verifica se algo existe antes da posição atual, mas ele não fará parte do match. Por isso não preciso mais do grupo de captura e o resultado do código acima é a string Foo (veja no regex101.com).

Mas sinceramente, eu acho desnecessário nesse caso. Usar o lookbehind deixa a regex um pouco mais complicada e ineficiente. Veja aqui um debug da regex com lookbehind e compare com a regex sem lookbehind (veja a quantidade de passos que cada uma leva). Usar lookbehind deixa a regex mais lenta porque ela precisa voltar o tempo todo para verificar se tem o trecho "Nome: " antes da posição atual. É claro que para strings pequenas e rodando poucas vezes, a diferença será insignificante (talvez milissegundos ou até menos), mas é importante ter isso em mente: vale a pena usar uma regex um pouco mais complicada e lenta, só para não ter que usar o grupo de captura?

Enfim, nos exemplos abaixo usarei findall e sem o lookbehind (ou seja, usarei o grupo de captura), mas as mesmas regex também funcionam com search. Use o que achar melhor.


Validar o nome

O problema é que o ponto vai aceitar qualquer coisa (inclusive caracteres especiais, como @!#$%^&, entre outros, que não necessariamente fazem parte de um nome).

Se quiser, pode restringir mais a string para aceitar somente uma sequência de letras, espaço, letras, espaço, etc... Ficaria assim:

import re

s = 'a1in1iionia\n\nDados do cliente\nNome: Fulano de Tal\nE-mail: [email protected]\n'
result = re.findall(r'Nome: ([a-zA-Z]+(?: [a-zA-Z]+)*)', s)
print(result)

Saída:

['Fulano de Tal']

Agora a regex é ([a-zA-Z]+(?: [a-zA-Z]+)*):

  • a primeira parte é [a-zA-Z]+: uma ou mais letras (maiúsculas ou minúsculas)
  • em seguida, temos (?:, que cria um grupo de não-captura (assim ele não é retornado por findall, pois estou interessado somente no grupo mais externo, que contém todo o nome)
    • dentro deste grupo temos um espaço (há um espaço entre o : e o [), seguido de várias letras
    • todo esse grupo (espaço mais letras) pode se repetir zero ou mais vezes (indicado pelo *). Isso garante que podemos ter zero ou mais sobrenomes

Melhorias

Claro que ainda dá para melhorar mais. Se quiser que o nome comece sempre com letra maiúscula, pode usar [A-Z][a-z]+. A regex também não inclui nomes com apóstrofo (ex: "D'aquino") ou com hífen, nem caracteres acentuados.

Para os acentos, alguns podem sugerir \w em vez de [a-zA-Z], mas o problema é que este atalho também aceita números e o caractere _, então eu não usaria se quisesse mais precisão. Uma alternativa é usar algo do tipo:

re.findall(r'Nome: ([a-záéíóúâêôçãõ]+(?: [a-záéíóúâêôçãõ]+)*)', s, flags=re.IGNORECASE)

Com isso, todas as letras acentuadas fazem parte do nome, e a opção IGNORECASE faz com que maiúsculas e minúsculas sejam consideradas (assim eu não preciso colocar ÁÉÍÓÚ.... na regex).


Outra opção é usar o módulo regex, uma excelente extensão do módulo re nativo. Você pode instalá-lo com pip install regex.

Este módulo possui suporte à propriedades Unicode, então eu posso usar \p{L} para qualquer caractere que seja uma letra.

Eu também uso o módulo unicodedata para normalizar a string, garantindo que ela não quebrará a regex (normalização Unicode está além do escopo aqui, mas você pode ler mais a respeito aqui, aqui e aqui).

import regex
import unicodedata

s = 'a1in1iionia\n\nDados do cliente\nNome: Fulâno D\'aquino Ávila Souza-e-Silva\nE-mail: [email protected]\n'
# regex para um nome ou sobrenome
nome = r'\p{L}+(?:[-\']\p{L}+)*'
# cria a regex (nome, espaço, sobrenome, espaço, sobrenome...)
r = regex.compile(r'Nome: ({0}(?: {0})*)'.format(nome))
result = r.findall(unicodedata.normalize('NFC', s))
print(result)

Eu também incluí a verificação de apóstrofo ou hífen no nome: (?:[-\']\p{L}+)* é um hífen ou apóstrofo, seguido de várias letras (e o asterisco faz esse grupo todo se repetir zero ou mais vezes).

A saída é:

["Fulâno D'aquino Ávila Souza-e-Silva"]

Lembrando que \p{L} também inclui, além dos caracteres acentuados, letras de outros idiomas, como japonês, árabe, etc.

2

Você pode usar a flag re.MULTILINE que serve justamente para procurar texto em múltiplas linhas de forma simplificada:

>>> import re    
>>> texto = 'a1in1iionia\n\nDados do cliente\nNome: Foo\nE-mail: [email protected]\n'
>>> m = re.search('Nome: (.*)$', texto, re.MULTILINE)
>>> print(m.group(1))
Foo

Dessa forma ao usar re.MULTILINE o sinal de $ na expressão regular passa a significar "fim-de-linha"; com isso fica fácil pegar todo o texto até o final da linha

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 .