1

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?

1
  • Eu usei python para dar o exemplo, mas entendo que a resposta pode usar qualquer linguagem com regex similar
    – Lucas
    Commented 6/11/2020 às 19:49

1 Resposta 1

4

[^\.\s] é uma classe de caracteres negados que quer dizer "um caractere que não seja nem ponto nem espaço". O que está entre [^ e ] é uma lista de caracteres, e não há ordem definida entre eles - tanto que [^\s\.] é exatamente a mesma coisa.

Se quer verificar uma sequência de mais de um caractere, o jeito é usar lookahead negativo:

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"]

import re

authors = []
r = re.compile(r"^[A-Z-ÁÀÂÄÃÉÈÍÏÓÔÕÖÚÜÇÑ]+(?:(?!\.\s).)+")
for book in books:
    author = r.findall(book)[0]
    authors.append(author)

for author in authors:
    print(author)

No caso, (?!\.\s) verifica se a sequência \.\s não existe à frente. Depois eu coloco . que corresponde a qualquer caractere (exceto quebras de linha), e toda essa sequência (um caractere, desde que não tenha um ponto seguido de espaço à frente) se repete uma ou mais vezes.

Agrupei isso com (?: para formar um grupo de não-captura, pois se usasse somente parênteses seria formado um grupo de captura, e nesse caso findall retornaria somente os grupos.

Também usei compile para que a expressão seja compilada apenas uma vez, pois a documentação diz que assim é mais eficiente quando você precisa usar a mesma regex várias vezes.


Nesse caso específico, também daria pra fazer split por "ponto seguido de espaço":

r = re.compile(r"\.\s")
for book in books:
    author = r.split(book)[0]
    authors.append(author)

Ou ainda sem regex:

author = book.split('. ')[0]

Lembrando que em regex o atalho \s não pega somente espaços, mas também quebras de linha e vários outros caracteres. Se quer considerar somente o espaço (e não os demais caracteres que \s pega), basta mudar para r"^[A-Z-ÁÀÂÄÃÉÈÍÏÓÔÕÖÚÜÇÑ]+(?:(?!\. ).)+" - repare que há um espaço entre o \. e o ) (e no caso do split, ficaria r"\. " - com um espaço antes das aspas de fechamento).

1
  • 1
    Caramba. Você é o mago da regex. Muito obrigado!
    – Lucas
    Commented 6/11/2020 às 20:43

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 .