3

Eu gostaria de saber como posso selecionar uma parte específica do meu texto considerando que essa parte é referente a um valor que pode mudar. Por exemplo, a string:

#   44,739 % of all cache refs

Gostaria de extrair apenas o valor 44,739. Só que esse valor pode ser modificado em outra linha, então não daria pra colocar como valor padrão da minha expressão, o que eu queria mesmo é selecionar o texto entre os caracteres # e %. Tem como?

5
  • Editei a pergunta e reparei que, entre o # e o número, existem três caracteres de espaço (ao invés do único caractere que estava sendo mostrado pelo HTML renderizado). São três espaços mesmo? 11/12/2020 às 16:53
  • @Miguel, reverti porque os três espaços estavam no texto original. 11/12/2020 às 16:56
  • @LuizFelipe peço desculpa então, era capaz de jurar que tinha copiado por completo e um só espaço. Vou ajustar
    – Miguel
    11/12/2020 às 16:57
  • @Miguel, sim, o HTML original só estava renderizando um espaço (é o comportamento esperado do HTML). No entanto, não sei se realmente era para ter três espaços. Por isso deixei o primeiro comentário. Vamos ver o que o AP nos diz. 11/12/2020 às 16:58
  • Pois é verdade @LuizFelipe, html foi tramado, obgado pelo aviso
    – Miguel
    11/12/2020 às 17:00

2 Respostas 2

4

Se a ideia é pegar somente os números que estão entre # e %, então faça:

import re
texto = "# 44,739 % of all cache refs 12,345 lorem ipsum # 98,736 % etc 45,678 blablbla"
r = re.compile(r'#\s*(\d+,\d+)\s*%')
for n in r.findall(texto):
    print(n)

No caso, a regex pegará somente 44,739 e 98,736. Os demais números serão ignorados, pois não estão entre # e %. Lembrando que antes e depois do número tem \s*, que indica zero ou mais espaços.

Mas se a ideia é pegar todos os números, independente do que tem antes ou depois, aí bastaria fazer re.compile('\d+,\d+').

Também não ficou claro se o número sempre tem "dígitos, vírgula, dígitos". Se os dígitos depois da vírgula forem opcionais, pode trocar para re.compile(r'#\s*(\d+(?:,\d+)?)\s*%').

Um detalhe importante é que o trecho que tem o número fica entre parênteses para formar um grupo de captura. Fiz isso porque quando a regex tem grupos de captura, findall retorna somente o conteúdo dos grupos.
E é por isso que na opção com a vírgula opcional eu uso (?:, pois isso forma um grupo de não-captura (asim o conteúdo deste não é retornado separadamente por findall).


Uma das respostas usou [\d\,\d]+, mas isso pode dar falsos positivos, pois esta regex também pega somente a vírgula. Por exemplo:

print(re.findall(r'[\d\,\d]+', 'a, b, 10, d')) # [',', ',', '10,']

O resultado terá as 2 vírgulas depois do "a" e do "b", além de 10,. Já usando as opções acima, esse problema não ocorre. A saber, isso ocorre porque os colchetes definem uma classe de caracteres, então [\d,\d] significa "um \d (dígito), ou uma vírgula, ou um \d" (apenas um deles, e sim, o \d é redundante neste caso), por isso esta regex pega somente uma vírgula sozinha (e pegaria também várias, como ,,,,,).


Sem regex

Mas se você "sabe" que só tem uma ocorrência do número (ou só quer a primeira), pode fazer sem regex:

try:
    texto = "# 44,739 % of all cache refs"
    start = texto.index('#') + 1
    end = texto.index('%', start + 1)
    possivel_numero = texto[start:end].strip()
    numero = float(possivel_numero.replace(',', '.'))
    print(numero)
except ValueError:
    print('não tem um número ou não tem os caracteres # ou %')

Eu uso index para obter as posições do # e %, e uso um slice ([start:end]) para obter o trecho entre essas posições. E depois tento converter para número (tive que trocar a vírgula por ponto, já que float reconhece somente o ponto como separador decimal - mas caso o número use notação americana, na qual a vírgula separa os milhares, então faça replace(',', '')).

Se a conversão para número falhar, ou não tiver um dos caracteres indicados (# ou %), será lançado um ValueError.


Ou, se quiser encontrar todas as ocorrências:

texto = "# 44,739 % of all cache refs 12,345 lorem ipsum # 98,736 % etc 45,678 blablbla # abc %"
start = end = 0
while True:
    start = texto.find('#', end)
    if start == -1:
        print('Não tem mais nenhum #')
        break
    end = texto.find('%', start + 1)
    if end == -1:
        print('Não tem mais nenhum %')
        break
    possivel_numero = texto[start + 1:end].strip()
    try:
        numero = float(possivel_numero.replace(',', '.'))
        print(numero)
    except ValueError:
        print('não é um número')

Outra opção é usar partition:

texto = "#    44,739   % of all cache refs 12,345 lorem ipsum # 98,736 % etc 45,678 blablbla # abc %"
tmp = texto
while True:
    _, _, tmp = tmp.partition('#')
    if not tmp: # não tem mais #
        break
    possivel_numero, sep, tmp = tmp.partition('%')
    if not sep: # não tem mais %
        break
    try:
        numero = float(possivel_numero.replace(',', '.').strip())
        print(numero)
    except ValueError:
        print('não é um número')

Basicamente, partition retorna uma tupla contendo as partes antes e depois do separador, além do próprio. Se não houver mais como separar, retorna strings vazias.

4

Você pode utilizar a seguinte expressão regular:

r"(\d+,\d+)"

Veja no Regex101.

Ela irá selecionar qualquer número contido na string (sendo , o separador decimal). Se for possível aparecer números em outras partes da string, você pode limitar a expressão para só procurar por números entre # (no começo da string) e % (após o número). Fica assim:

r"^# (\d+,\d+) %"

Veja no Regex101.

Note que, nas duas expressões regulares, existem grupos de captura para que possamos "extrair" o número em eventual match. Veja um exemplo funcional:

import re

data = '# 44,739 % of all cache refs'

match = re.search(r"^# (\d+,\d+) %", data)

# Pega o primeiro grupo de captura e imprime:
num_str = match.group(1)
print(num_str)

Mas note que, como padrão da string é evidentemente simples e, nesse caso, expressão regular pode não ser necessário. A outra resposta provê uma alternativa.

Só como adendo, se precisar de fazer uso do número contido na string, precisará converter o separador decimal de vírgula para ponto antes de realizar o parse. Exemplo:

num = float(num_str.replace(',', '.'))

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 .