5

Na string abaixo, preciso pegar o conteúdo de texto a partir de ENERGIA ELETRICA CONSUMO até o símbolo do percentual %. Ou seja:

ENERGIA ELETRICA CONSUMO kWh 370 0,787324 291,31 291,31 29,00%

É possível fazer isso por meio de regex? Não encontrei nenhum tutorial que explique como definir 2 limites e pegar todo o conteúdo entre eles.

"5758 6128 370 kWh 1 370 kWh 11,93 kWh 12/07/2019 01/08/2019
Mês kWh Dt.Pgto. Valor
06/2019 355 17/06/2019 343,79
NOTA FISCAL/CONTA DE ENERGIA ELÉTRICA N° 085.976.711 - SÉRIE B
Emitida em 03/07/2019
05/2019 332 14/05/2019 306,84
Produto Valor Valor Base Aliq.
04/2019 415 29/05/2019 378,67
Descrição Un. Consumo Unitário Total Cálc. ICMS
03/2019 308 14/05/2019 269,81
ENERGIA ELETRICA CONSUMO kWh 370 0,787324 291,31 291,31 29,00%
02/2019 347 26/04/2019 305,09
ENERGIA CONS. B.AMARELA kWh 0,54 0,54 29,00%
01/2019 341 11/03/2019 324,39
12/2018 301 26/12/2018 287,83"

4 Respostas 4

6

Apenas complementando as outras respostas, a melhor opção para o seu caso específico seria de fato a primeira regex da resposta do @Jefferson Quesado:

ENERGIA ELETRICA CONSUMO[^%]*%

Ela usa uma classe de caracteres negados [^%], que significa "qualquer coisa que não seja o %". Só tem um detalhe, se o texto tiver algo como:

ENERGIA ELETRICA CONSUMO%

A regex também encontrará um match, veja. Isso acontece porque o quantificador * significa "zero ou mais ocorrências". Ou seja, pode não ter nada entre "ENERGIA ELETRICA CONSUMO" e o %.

Para forçar que tenha pelo menos um caractere entre o texto "ENERGIA ELETRICA CONSUMO" e o %, basta trocar o * por + (uma ou mais ocorrências), veja a diferença. Você ainda pode usar quantificadores customizados, com quantidades bem definidas. Por exemplo:

  • [^%]{5,20}: deve ter no mínimo 5 e no máximo 20 caracteres que não sejam %
  • [^%]{20}: deve ter exatamente 20 caracteres que não sejam %
  • [^%]{5,}: deve ter no mínimo 5 caracteres que não sejam % (sem limite máximo)

Ajuste o quantificador de acordo com suas necessidades. Claro que, se você sabe que casos como ENERGIA ELETRICA CONSUMO% não ocorrem no seu texto, tanto faz usar um ou outro, mas se quiser ser mais específico para evitar falsos positivos, basta escolher a opção mais adequada.


Se o formato da linha sempre segue o padrão indicado no texto (com essa mesma quantidade de colunas com números, por exemplo), você pode ser ainda mais específico:

ENERGIA ELETRICA CONSUMO kWh \d+( \d+,\d+){4}%

Agora eu adicionei \d+ (um ou mais dígitos), e ( \d+,\d+){4} (espaço, dígitos, vírgula, dígitos, repetido 4 vezes), assim a regex só encontra o que estiver nesse formato específico. Se o formato varia, aí seria o caso de ajustar para pegar todas as variações.

Aqui você deve decidir se a regex vai validar o formato das informações, ou se vai só pegar "qualquer coisa", até encontrar o primeiro %. É sempre um trade-off: uma regex mais complexa pode validar o formato e as informações, mas ela fica mais difícil de manter e entender. Uma regex mais simples encontra o que for preciso, com a possibilidade de trazer coisas a mais (que precisariam ser validadas posteriormente, fora da regex).

4
  • 1
    Nem passou na minha cabeça a possibilidade do miolo vazio não ser válido. Obrigado pela observação Commented 30/07/2019 às 12:22
  • 1
    o grupo de captura com a negação do caractere "%" é genial, excelente resposta.
    – Paz
    Commented 30/07/2019 às 12:23
  • 2
    @JeffersonQuesado Não foi mencionado na pergunta, então é perdoável esse esquecimento :-)
    – hkotsubo
    Commented 30/07/2019 às 12:23
  • 1
    @Paz Créditos ao Jefferson, que colocou essa opção primeiro na resposta dele :-)
    – hkotsubo
    Commented 30/07/2019 às 12:23
5

Considerando que o delimitador terminal só pode aparecer uma única vez, e que ele é de apenas um caracter no seu exemplo é o %), fiz um pequeno ajuste na resposta do nullptr para tal fim:

ENERGIA ELETRICA CONSUMO[^%]*%

Agora, em termos gerais:

Para qualquer sequência iniciadora INIT, podendo ela ser repetida na sequência, e um terminador @ de um caracter que não pode estar contido exceto no final da sequência:

INIT[^@]*@

Para um iniciador qualquer de um caracter £ que não pode ser repetido dentro e um terminador de um caracter que também não pode ser repetido:

£[^£@]*@

Se for plausível aceitar um caracter de escape (fingindo ser o #), em que o escape pode se escapar também, e que o iniciador £ ou o terminador @ podem ser escapados no meio da sequência (não podendo aparecer livres):

£([^#£@]|#.)*@

Aqui, vale uma explicação:

  • começa com £, como esperado de um iniciador
  • termina com um @, como esperado de um terminador
  • pode conter um grupo com diversas repetições de g1 ou g2
  • g1 é qualquer caracter que não seja escape, iniciador ou terminador
  • g2 é o escape seguido de qualquer coisa, incluindo (mas não limitado a): iniciador, escape e terminador

Como consequência da montagem de g1, um escape só poderá aparecer em elemento de g2. E g2 começa garantidamente com um escape e tem um outro caracter; logo, não há escapes faltando, eles estão sempre seguidos de algo.


Se por acaso a sequência que não pode se repetir no meio for de mais de 1 caracter, a coisa fica um pouco mais complicada e feia de se escrever.

Note que estou usando aqui apenas regex "pura", possível de ser representada por um autômato de estados finito; logo, retrovisores estão fora do meu escopo de escrita abaixo

Tome, por exemplo, a sequência @€ como terminadora, e que eu preciso que ela não se repita. Assumindo que o iniciador £ pode se repetir, e também na ausência de escapes.

Um simples @ não significa que a sequência foi preenchida. Para tal, é necessário que o próximo caracter não seja . E também pode ocorrer o caso de que o @ seja a parte logo anterior ao terminador @€. Então eu preciso pegar, no miolo da regex:

  • um @ sucedido por qualquer coisa que não seja
  • o próprio desde que garantido que não haja algum casamento com algo que termine em @ no meio da repetição
  • possivelmente uma fração do terminador

Posso separar o miolo na parte de passível repetição e na parte de incompletude. Assim, a parte de incompletude, para um terminador de 2 caracteres apenas, é (@+)? (já já explico a cruz de Kleene). E a parte passível de repetição?

([^@]|@+[^€])*

Assim, eu posso ter uma sequência arbitrária dentro dessa repetição que, garantidamente, não vai terminar com @. A repetição é composta de 2 grupos: g1 que é qualquer coisa menos o primeiro caracter do terminador, e g2, que é o caracter iniciador seguido de necessariamente algo que quebre a sequência do terminador.

Então, para permitir também a parte inicial do terminador, permito que seu primeiro caracter se repita infinitamente, de modo opcional, após essa sequência, ficando assim toda a regex:

£([^@]|@+[^€])*(@+)?@€

E se o terminador fosse de 3 caracteres? Como o @€¥?

Bem, a ideia é semelhante, mas vai precisar negar no primeiro caracter, no segundo caracter e no terceiro caracter a sequência. Como fazemos isso?

  • a negação do primeiro caracter é direta: [^@]
  • a negação do segundo caracter em diante deve assumir a presença do primeiro caracter, com possibilidade de repetição, então vou colocá-las todas em um grupo precedido de @*
  • a negação do segundo caracter (já considerando que foi tratada externamente a repetição do primeiro caracter), começa assumindo que seu casamento positivo para o primeiro caracter e negando o segundo caracter: @[^€]
  • a negação do terceiro caracter (também assumindo que já foi tratada a repetição do primeiro caracter) precisa assumir que deram certo os dois primeiros caracteres: @€[^¥]

Então, fica assim a parte passível de repetição:

([^@]|@*(@[^€]|@€[^¥]))*

Para a parte de sequência incompleta, só tirar as listas negadas e a estrela de Kleene final, substituindo-a pela possibilidade de presença. Vou denotar como '' a string de comprimento 0 apenas por uma questão de visualização, em seguida eliminando-a:

(''|@*(@''|@€''))?

Como não faz sentido algo concatenado da string vazia na regex desejada:

(''|@*(@|@€))?

Como não faz sentido a opção entre nada ou outra coisa, sempre recaindo sobre a outra coisa:

(@*(@|@€))?

Poderia seguir aqui apenas com isso, mas, se você prestar atenção, isso pode ser substituído por algo mais expressivo:

(@*(@(€)?)?)?

Onde cada parêntese após a repetição do primeiro caracter da sequência terminadora indica que é opcional aquela subsequência. Note, também, que só faria sentido dar casamento nesse grupo se e somente se tiver pelo menos uma parte da sequência, e que necessariamente deve ser o primeiro caracter. Portanto, isso poderia ser reescrito assim:

(@+(€)?)?

Tirando parênteses redundantes:

(@+€?)?

Note, porém, que esse mesmo algoritmo poderia ser usado para uma string arbitrária abcdefX:

(a+(b(c(d(ef?)?)?)?)?)? 

Essa expressão casa com qualquer subsequência do início de abcdefX

E como ficaria toda a expressão?

£([^@]|@*(@[^€]|@€[^¥]))*(@+€?)?@€¥

Dá para expandir essa lógica para mais caracteres, mas devo assumir que é bem trabalhoso e o tamanho aumenta exponencialmente. Também não levei em consequência a possibilidade de haver caracteres repetidos na sequência terminadora, isso pode eventualmente gerar um caso complexo que não foi devidamente tratado.

8
  • 2
    Muito bom (já votei ontem, mas só vim comentar agora)! Sobre o £([^#£@]|#.)*@, acho que vale mencionar que nesses casos é possível aplicar o "unroll the loop". Compare aqui e aqui a diferença na quantidade de passos de cada uma
    – hkotsubo
    Commented 30/07/2019 às 12:22
  • Não conheço esse "unroll the loop", vou estudar sobre o assunto e assim que puder atualizo Commented 30/07/2019 às 12:23
  • excelente explicação, o desenvolvimento do pensamento até a resposta ajuda a esclarecer o resultado final
    – Paz
    Commented 30/07/2019 às 12:26
  • @hkotsubo, tem alguma questão aqui no SOpt sobre o unroll the loop? Tô começando a entender a técnica aqui, mas devo admitir que meus estudos estão bem desfocados Commented 30/07/2019 às 20:07
  • Fazendo uma busca rápida não encontrei. Talvez tenha com algum outro nome ou com termos relacionados (como "desempenho da regex", "regex lenta", etc), mas não cheguei a pesquisar tão a fundo...
    – hkotsubo
    Commented 30/07/2019 às 20:10
4

A resposta do usuário nullptbr está quase correta, porém ela vai capturar da primeira ocorrência de ENERGIA ELETRICA CONSUMOaté a última ocorrência do caractere %.
Então caso haja mais de uma ocorrência de porcentagem e o arquivo não esteja separado por quebras de linhas, haverão capturas indesejadas.

Eu recomendo usar essa regex: (ENERGIA ELETRICA CONSUMO(.|\n)*?%)


  • Funcionamento:

Ela irá capturar dês de a primeira ocorrência da sequencia ENERGIA ELETRICA CONSUMO até a próxima ocorrência de % podendo ter caracteres e quebras de linhas entre os essas ocorrências.

Você pode verificar o funcionamento dessa regex aqui

1

Simples assim: ENERGIA ELETRICA CONSUMO.*%


EDIT

Removendo o %: ENERGIA ELETRICA CONSUMO.*(?=%)

A exclusão dos delimitadores podem ser alcançados através de lookaround

Veja funcionando aqui

3
  • Quase perfeito! Preciso que ele vá somente até o primeiro %. É possível? De qq forma, já me ajudou muito!
    – gmilleo
    Commented 30/07/2019 às 1:05
  • 1
    @milho o senhor está se aproveitando de minha boa vontade -.- ainda bem que vontade eu tenho de sobra :D Commented 30/07/2019 às 1:29
  • 3
    O lookahead não elimina o problema de pegar coisas a mais caso tenha mais de um %, veja (além do % não fazer parte do match). No caso, uma solução seria usar .*?, veja. Sem contar que o lookahead é mais ineficiente, compare a quantidade de passos aqui, aqui e aqui. Claro que para strings pequenas não faz tanta diferença, mas de qq forma não acho necessário usá-lo nesse caso.
    – hkotsubo
    Commented 30/07/2019 às 11:29

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 .