Estou procurando uma regex que aceita caracteres alfa-numéricos, espaços, '
e -
.
Esses exemplos devem ser aceitos: "Jean-da Silva"
, "Carlos 2"
, "João d'lango"
.
Exemplos não aceitos: "J@ão"
, "Carlos*"
.
Stack Overflow em Português é um site de perguntas e respostas para programadores profissionais e entusiastas. Leva apenas um minuto para se inscrever.
Inscreva-se para participar desta comunidadeUma alternativa ("simplista" e "ingênua" - já vamos entender porquê) seria:
String[] v = { "Jean-da Silva", "Carlos 2", "João d'lango", "J@ão", "Carlos*", "teste_1" };
Matcher matcher = Pattern.compile("^[-\\w' &&[^_]]+$", Pattern.UNICODE_CHARACTER_CLASS).matcher("");
for (String s : v) {
matcher.reset(s);
System.out.println(s + "=" + (matcher.find() ? "válida" : "inválida"));
}
A regex usa uma classe de caracteres (delimitada pelos colchetes []
).
Dentro desta classe de caracteres, temos um hífen, o atalho \w
(que corresponde a letras, números e o caractere _
), a "aspas simples" '
e um espaço (repare que tem um espaço entre o '
e o &
). Como o \w
também pega o caractere _
, eu uso a sintaxe de intersecção (&&
) com uma classe de caracteres negada (o [^_]
, que exclui o _
deste grupo).
Depois eu uso o quantificador +
, que significa "uma ou mais ocorrências". Ou seja, eu posso ter um ou mais caracteres da lista (letras, números, hífen, '
ou espaço). Por fim, eu uso os marcadores ^
e $
, que significam respectivamente o início e fim da string. Assim, eu garanto que a string só vai ter esses caracteres.
Só que, por default, o comportamento do atalho \w
é não considerar caracteres acentuados. Então eu também uso a opção UNICODE_CHARACTER_CLASS
, para que o \w
também pegue as letras com acento.
A saída é:
Jean-da Silva=válida
Carlos 2=válida
João d'lango=válida
J@ão=inválida
Carlos*=inválida
teste_1=inválida
Eu também poderia ter usado algo como [0-9a-záéíóúãõâêîôû]
para pegar todos os acentos (e aí você acrescenta todos os caracteres que desejar nos colchetes, como a ç
, ñ
, e quaisquer outros que precisar). Mas \w
com a opção UNICODE_CHARACTER_CLASS
já abrange todos esses caracteres (no final veremos algumas ressalvas sobre esta solução).
Mas como eu disse, essa regex é ingênua. Se a string for "---"
, "' -"
, ou só tiver espaços, ela também é considerada válida.
Uma alternativa um pouco melhor seria quebrar a string pelos separadores (espaço, '
ou hífen) e verificar se cada uma das partes só tem letras e números:
String[] v = { "Jean-da Silva", "Carlos 2", "João d'lango", "J@ão", "Carlos*", "teste_1", "---", "' -" };
Matcher matcher = Pattern.compile("^[\\w&&[^_]]+$", Pattern.UNICODE_CHARACTER_CLASS).matcher("");
for (String s : v) {
boolean valida = false;
// quebrar pelos separadores
for (String parte : s.split("[-' ]")) {
matcher.reset(parte);
valida = matcher.find();
if (!valida) // se encontrou um inválido, pode sair do loop
break;
}
System.out.println(s + "=" + (valida ? "válida" : "inválida"));
}
Agora eu uso split
para quebrar a string em partes.
No split
eu uso [-' ]
como o delimitador, indicando que eu quero separar a string pelos hífens, espaços ou '
(repare que tem um espaço entre o '
e o ]
). O resultado é um array contendo as partes da string depois de separadas.
Depois, para cada parte, eu verifico se ela corresponde a ^[\\w&&[^_]]+$
(letras ou números, do início ao fim da string). Eu continuo usando a opção UNICODE_CHARACTER_CLASS
para que o \w
pegue caracteres acentuados, e uso a intersecção &&[^_]
para que ela não considere o _
.
A saída é:
Jean-da Silva=válida
Carlos 2=válida
João d'lango=válida
J@ão=inválida
Carlos*=inválida
teste_1=inválida
---=inválida
' -=inválida
Outra alternativa seria usar as propriedades Unicode:
Matcher matcher = Pattern.compile("^[\\p{L}\\p{N}]+$", Pattern.UNICODE_CHARACTER_CLASS).matcher("");
// for com split, igual ao código anterior
Nesse caso, a regex considera apenas os caracteres que são letras, incluindo as acentuadas (\p{L}
) ou números (\p{N}
).
Um detalhe das opções acima é que elas são bem abrangentes e também consideram caracteres que talvez você não queira.
Quando a opção UNICODE_CHARACTER_CLASS
é usada, o \w
também considera outros caracteres, como por exemplo aqueles que possuem a propriedade Join_Control
(que no caso são o ZERO WIDTH NON JOINER e o ZERO WIDTH JOINER), além de vários outros caracteres. E o \p{L}
considera letras de outros alfabetos, como o japonês e o árabe, por exemplo.
Se não quiser ser tão abrangente, uma alternativa é usar java.text.Normalizer
juntamente com outra regex para eliminar os acentos, e buscar apenas por letras de a
a z
e números de 0 a 9:
// opção CASE_INSENSITIVE para considerar letras maiúsculas e minúsculas
Matcher matcher = Pattern.compile("^[a-z0-9]+$", Pattern.CASE_INSENSITIVE).matcher("");
for (String s : v) {
boolean valida = false;
for (String parte : s.split("[-' ]")) {
// elimina os acentos
matcher.reset(Normalizer.normalize(parte, Normalizer.Form.NFD).replaceAll("\\p{M}", ""));
valida = matcher.find();
if (!valida) // se encontrou um inválido, pode sair do loop
break;
}
System.out.println(s + "=" + (valida ? "válida" : "inválida"));
}
De forma bem resumida, a normalização para a forma NFD "quebra" um caractere acentuado em dois. Por exemplo, o ã
é quebrado em a
e ~
. (para mais detalhes sobre normalização, leia aqui, aqui e aqui).
Em seguida \p{M}
serve para remover os caracteres correspondentes aos acentos (os chamados combining diacritical marks). No final, sobram somente as letras, sem os acentos, que posso buscar com ^[a-z0-9]+$
(graças à opção CASE_INSENSITIVE
, ela já pega tanto letras maiúsculas quanto minúsculas).
Regex abaixo aceita apenas caracteres, numeros e os caracteres especiais "'" e "-"
[a-zA-Z0-9 '-]
break
nofor
- no segundo bloco de código)