Seria interessante ter mais detalhes sobre o formato exato do arquivo e mais alguns exemplos, mas de qualquer forma, vou deixar uma solução mais geral, e você adapta de acordo com o que precisar.
Para esta solução, criei um arquivo baseado nas informações da pergunta e dos comentários:
(685) R. Bolonha
Passa Vinte
Palhoça - SC CEP: 00000-000
Número
(783) R. Papa Paulo VI Endereço Entrega
Ponte do Imaruim (4398) R. SANTA TEREZA
Palhoça - SC CEP: 00000-000 Balneário
Florianópolis - SC CEP: 00000-000
CADASTRO DO CLIENTE
RES COM PÚB IND TOTAL Número
Algumas premissas que considerei:
- a primeira linha contém um número entre parênteses, seguido do nome da própria rua/avenida, etc.
- opcionalmente pode ter o texto "Endereço Entrega" no final da linha
- pelo que entendi, não tem o número do endereço, somente o nome da rua
- as linhas que contém o CEP sempre estão no formato "cidade - UF CEP: 00000-000"
- considerei que o CEP com 6 dígitos antes do hífen é um erro de digitação, então estou buscando sempre no formato "5 dígitos, hífen, 3 dígitos"
- no caso de ter um segundo endereço, ele aparece na mesma linha do bairro do primeiro endereço - ou seja, considerei que "Ponte de Imaruim" é o bairro do primeiro endereço (R. Papa Paulo VI) e a R. Santa Tereza é o segundo endereço
- se tiver uma lista de vários CEPs seguidos, o primeiro que aparecer é o que vale, qualquer outro que vier logo depois é ignorado
- se a linha começa com o ID (número entre parênteses), então este é o primeiro endereço, e o bairro e CEP que tiver depois referem-se a ele
- não há casos em que a rua ou o CEP estão na mesma linha, ou que hajam outras informações que não as informadas nos exemplos
Repare que são muitas premissas e "achismos" da minha parte, mas é o que dá para fazer com as informações que foram passadas. De qualquer forma, se o arquivo realmente não tiver um formato bem definido, não há muito o que fazer a não ser começar de um ponto e ir ajustando de acordo, conforme novos casos surgirem.
Dito isso, não acho que vale a pena usar uma única regex gigante que faz tudo. Eu acho melhor ir lendo o arquivo linha a linha, e para cada caso você usa uma regex diferente, pois como são muitas variações, cada regex individualmente já é (ou pode se tornar) complicada por si só.
Uma primeira tentativa (baseada unicamente no arquivo de teste que gerei acima), seria:
Pattern regexRua = Pattern.compile("^\\(\\d{1,5}\\) (.+?)(?:\\s*Endereço Entrega)?$");
Pattern regexBairro = Pattern.compile("^([^(]+)");
Pattern regexCep = Pattern.compile("^(.+) - ([A-Z]{2}) CEP: (\\d{5}-\\d{3})$");
int status = 0; // 0=rua, 1=bairro, 2=CEP
try (Scanner sc = new Scanner(new File("/caminho/do/arquivo.txt"))) {
while (sc.hasNextLine()) {
String texto = sc.nextLine();
switch (status) {
case 0:
Matcher matcherRua = regexRua.matcher(texto);
if (matcherRua.find()) {
String rua = matcherRua.group(1).trim();
System.out.printf("Endereço: %s\n", rua);
status = 1; // consegui ler o endereço, passo para o bairro
}
break;
case 1:
Matcher matcherBairro = regexBairro.matcher(texto);
if (matcherBairro.find()) {
String bairro = matcherBairro.group(1);
System.out.printf("Bairro: %s\n", bairro);
status = 2; // consegui ler o bairro, passo para a cidade/uf/cep
}
break;
case 2:
Matcher matcherCep = regexCep.matcher(texto);
if (matcherCep.find()) {
String cidade = matcherCep.group(1);
String uf = matcherCep.group(2);
String cep = matcherCep.group(3);
System.out.printf("Cidade: %s, UF: %s, CEP: %s\n", cidade, uf, cep);
status = 0; // consegui ler cidade/uf/cep, volto a ler o próximo endereço
}
break;
}
}
}
Primeiro eu uso um try-with-resources para abrir o arquivo, e vou lendo linha a linha (não coloquei um bloco catch
para manter o foco no algoritmo, mas no seu código final, coloque-o e trate os erros).
Eu uso uma variável de status para saber qual informação estou lendo atualmente. A lógica é: eu tento ler o endereço (a linha que começa com o ID - um número entre parênteses), se conseguir, eu tento ler o bairro. E se conseguir ler o bairro, eu tento ler a cidade/UF/CEP (e se conseguir, volto para tentar ler o próximo endereço).
Se a informação que estou tentando ler atualmente não é encontrada, ele passa a próxima linha, e assim vai, até o final do arquivo. A saída é:
Endereço: R. Bolonha
Bairro: Passa Vinte
Cidade: Palhoça, UF: SC, CEP: 00000-000
Endereço: R. Papa Paulo VI
Bairro: Ponte do Imaruim
Cidade: Florianópolis, UF: SC, CEP: 00000-000
Sobre as regex
Agora vamos ver alguns detalhes de cada regex.
Endereço
Para o endereço eu usei:
Pattern regexRua = Pattern.compile("^\\(\\d{1,5}\\) (.+?)(?:\\s*Endereço Entrega)?$");
Os marcadores ^
e $
são respectivamente o início e fim da string. Depois eu verifico o ID (de 1 a 5 dígitos entre parênteses, seguindo a mesma regex que você usou na pergunta). Note que os parênteses devem estar escapados com \
(que dentro de uma String
devem ser escritos como \\
), já que eles são caracteres com significado especial em regex (veremos isso logo abaixo), e para que a regex entenda que queremos os próprios caracteres (
e )
, precisamos do escape com \
.
Depois temos um espaço, seguido de .+?
(um ou mais caracteres). Este trecho está dentro de parênteses para formar um grupo de captura, pois assim eu consigo recuperar este trecho depois, usando o método group
.
Depois temos \\s*
(zero ou mais espaços), seguido de "Endereço Entrega". E o ?
torna este trecho opcional. E também uso (?:
para que este par de parênteses não se torne um grupo de captura (pois eu não preciso recuperar este trecho depois, e assim a regex não precisa criar grupos à toa).
O trecho .+?
é uma simplificação, pois pega tudo que estiver na linha (depois do ID e antes de "Endereço Entrega", caso exista). Um detalhe é que se você usar apenas .+
, ele pega a linha inteira (inclusive "Endereço Entrega"), pois o quantificador é ganancioso e tenta pegar o máximo possível de caracteres. Para evitar esse comportamento, usa-se a sintaxe .+?
.
Com isso, a regex terá o endereço no grupo 1 (pois é o primeiro par de parênteses), e é isso que é feito quando usamos matcherRua.group(1)
. Eu também uso o método trim()
para remover eventuais espaços do início e fim.
Bairro
Para o bairro, temos:
Pattern regexBairro = Pattern.compile("^([^(]+)");
Essa é um pouco mais simples, e eu fiz uma simplificação bem grosseira, pois me baseei no formato indicado na pergunta.
Ela possui o início da string (^
) e depois usa [^(]+
: um ou mais caracteres que não sejam o (
. Isso quer dizer que no primeiro caso ("Passa Vinte"), ela pega a linha inteira, e no segundo caso ("Ponte do Imaruim (4398) R. SANTA TEREZA"), ela pega tudo até o (
- ou seja, apenas o trecho "Ponte de Imaruim " (com o espaço no final inclusive, por isso eu também uso trim()
aqui).
Um ponto importante é que, graças a variável de status, eu garanto que só vou ler o bairro se anteriormente eu consegui ler o endereço. Isso quer dizer que o arquivo deve ter o bairro logo depois do endereço (caso contrário, esta regex também poderia pegar as linhas como "CADASTRO DO CLIENTE", por exemplo - Na verdade, até mesmo a linha do CEP poderia ser confundida com um bairro, já que [^(]
é "qualquer caractere que não seja (
", então a linha do CEP também se encaixaria nesse caso).
Esse é mais um motivo para não usar uma única regex gigante, pois ficaria bem mais complexo diferenciar um texto que é um bairro de um texto genérico. E é também baseada na premissa de que o formato do arquivo estará sempre correto, com o bairro logo abaixo do endereço.
Cidade/UF/CEP
Para a cidade, UF e CEP, temos:
Pattern regexCep = Pattern.compile("^(.+) - ([A-Z]{2}) CEP: (\\d{5}-\\d{3})$");
Ela também usa ^
e $
para demarcar o início e fim da string. Depois temos 3 grupos de captura (3 pares de parênteses):
- o primeiro, para a cidade, usa a expressão ultra-simplificada
.+
(um ou mais caracteres)
- o segundo, para a UF, usa
[A-Z]{2}
(duas letras maiúsculas)
- o terceiro, para o CEP usa
\\d{5}-\\d{3}
(5 dígitos, hífen, 3 dígitos)
A parte da UF e CEP estão bem definidas, já para a cidade eu fui bem preguiçoso, pois estou me apoiando no formato do arquivo: se é garantido que esta linha sempre terá o formato acima, a regex vai capturar tudo corretamente, então eu não preciso me preocupar se no nome da cidade tiver coisas sem sentido como !@#$%*-x
(pois estou assumindo que não terá casos assim).
Aliás, o mesmo vale para o bairro e endereço. Se você sabe que o arquivo sempre trará nomes válidos, pode usar as regex mais simples acima. Mas se quiser fazer validações mais complexas (como "a cidade tem que ter X letras", "o endereço tem que começar com R. ou Av.", etc), aí as expressões vão ficando cada vez maiores e mais complexas.
Mas creio que com a solução acima você já tenha por onde começar.
Endereço Entrega
pode estar lá? Existem outras variações no formato? Quanto mais variações e possibilidades, mais complexa é a regex. E porque o segundo CEP tem 6 dígitos? Aliás, o segundo exemplo tem dois CEPs em duas cidades diferentes, não é para pegar a segunda? Se puder por favor editar a pergunta e deixar um pouco mais claro...