Estudando o operador de negação em expressão regulares ([^]
) regulares, eu entendi que é possível negar um caracter isolado (e.g., [^x]
: qualquer coisa que não seja "x") ou um range de caracteres (e.g., [^A-Z]
: qualquer coisa que não seja uma letra maiúscula).
No entanto, estou diante de uma situação concreta em que preciso proibir uma sequência específica de caracteres e não estou sabendo como resolver. Abaixo apresento um exemplo que replica o problema que estou tendo, bem como relato o que tentei até aqui.
Digamos que eu tenha uma lista com dados de livros, como autor e título. Segue um exemplo de uma lista desse tipo:
books = ["LEAL, Victor Nunes. Coronelismo, enxada e voto",
"FLORY, Thomas. Judge and Jury in Imperial Brazil, 1808–1871: Social Control and Political Stability in the New State",
"Prado Jr., Caio. Formação do Brasil contemporâneo", "GRASS, Günter. Dog Years" ,
"ASSANGE, J.; APPELBAUM, J.; MULLER-MAGUHN, A.; ZIMMERMANN, J. Cypherpunks: Freedom and the Future of the Internet",
"BÖLL, Heinrich; VENNEWITZ, Leila. The Train Was On Time"]
A partir dessa lista, gostaria de retirar apenas os nomes dos autores. O que tentei até agora foi o seguinte:
import re
authors = []
for book in books:
author = re.findall(r"^[A-Z-ÁÀÂÄÃÉÈÍÏÓÔÕÖÚÜÇÑ]+[^\.]+", book)[0]
authors.append(author)
for author in authors:
print(author)
Que resulta em:
LEAL, Victor Nunes
FLORY, Thomas
Prado Jr
GRASS, Günter
ASSANGE, J
BÖLL, Heinrich; VENNEWITZ, Leila
Note que o código funcionou para os dois primeiros autores, mas falhou no terceiro e quinto caso. Essa falha está ocorrendo porque na minha regex atual estou dizendo "pega o que começa com letra maiúscula seguida de qualquer sequência de caracteres, exceto um ponto final".
Fica claro que a regex não funciona no terceiro e quinto caso por conta do .
no nome dos autores. Minha ideia então foi mudar a regex para algo como "pega o que começa com letra maiúscula seguida de qualquer sequência de caracteres, exceto um ponto final seguido de um espaço". Assim, usei o mesmo código acima, mas dessa vez a regex foi:
r"^[A-Z-ÁÀÂÄÃÉÈÍÏÓÔÕÖÚÜÇÑ]+[^\.\s]+"
que resultou em:
LEAL,
FLORY,
Prado
GRASS,
ASSANGE,
BÖLL,
Obviamente, não é o que esperava. Como faço para proibir a sequência \.\s
?