-1

Separar os caracteres de uma string com hífen em Python funciona perfeitamente desse jeito:

import re

regex = r"\B(?=(.{1}))"

test_str = "Pêssego"

subst = "-"

result = re.sub(regex, subst, test_str, 0)

if result:
    print (result) // P-ê-s-s-e-g-o

Mas em JavaScript não:

const regex = /\B(?=(.{1}))/g;
const str = `Pêssego`;
const subst = `-`;

const result = str.replace(regex, subst);

console.log(result); // Pês-s-e-g-o

Devo acrescentar algo? Tirar algo? Qual a diferença entre os dois? Existe alguma outra forma de separar uma string com hífens em em tempo real em um campo de entrada?

5
  • 5
    console.log("Pêssego".split("").join("-")) Commented 22/02/2021 às 4:03
  • 2
    Existe uma forma sem regex de fazer: 'Pêssego'.split('').join('-'); Commented 22/02/2021 às 4:05
  • 3
    Ou ainda utilizar o protocolo de iteração implementado pelas strings: [...'Pêssego']. :-) Commented 22/02/2021 às 4:13
  • @AugustoVasques Bem pensado. Usando esse método, fazer a alteração enquanto digita seria possivel? Em regex eu teria algo assim em uma função keyup: this.value = this.value.replace(/ /g,''); var string = this.value; this.value = string.replace(/\B(?=(.{1}))/g, "-");
    – Lordepina
    Commented 22/02/2021 às 4:37
  • 2
    Só pra constar, a regex poderia ser apenas \B(?=.), pois o {1} é redundante: de modo geral (qualquer coisa){1} é o mesmo que (qualquer coisa)
    – hkotsubo
    Commented 22/02/2021 às 12:21

1 Resposta 1

4

Apesar da expressão ser a mesma, você acabou de perceber uma característica fundamental de regex: elas não funcionam exatamente da mesma forma em todas as linguagens/engines/ferramentas, pois apesar do funcionamento "básico" ser o mesmo (ou, no máximo, similar), cada uma implementa de um jeito e como diz o ditado, "o diabo está nos detalhes".

Em Python, por default, regex são compatíveis com Unicode (podemos dizer, de forma bem resumida, que elas vão "além do ASCII"). Isso quer dizer que atalhos como \w, \b e até mesmo o . trabalham com Unicode code points, e consideram letras acentuadas e de outros alfabetos.

Mas no JavaScript, muitos atalhos trabalham apenas com ASCII, não considerando caracteres acentudados. É o caso do \w (que significa "letras de a a z (maiúsculas e minúsculas), dígitos de 0 a 9 e o caractere _", sem considerar acentos). E como os atalhos \b e \B indicam posições da string levando em conta se antes e depois têm ou não caracteres alfanuméricos (ver explicação detalhada aqui), estes também não consideram letras acentuadas (em Python, o \w considera qualquer letra de qualquer alfabeto, incluindo as acentuadas, por isso o \b e \B também funcionam nestes casos).


Nos comentários foram dadas alternativas para fazer isso sem regex, mas tem um detalhe: o resultado só será igual se a string tiver apenas caracteres alfanuméricos. Veja o exemplo abaixo:

function test(str) {
    const regex = /\B(?=(.{1}))/g;
    const subst = '-';
    console.log(`------------\nTestando: '${str}'`);
    // usando sua regex
    console.log(`regex: ${str.replace(regex, subst)}`);
    // usando split (conforme sugerido nos comentários)
    console.log(`split: ${str.split("").join("-")}`);
}

test('Pêssego');
test('Oi, tudo bem?');

O resultado é:

------------
Testando: 'Pêssego'
regex: Pês-s-e-g-o
split: P-ê-s-s-e-g-o
------------
Testando: 'Oi, tudo bem?'
regex: O-i,- t-u-d-o b-e-m?
split: O-i-,- -t-u-d-o- -b-e-m-?

Repare que quando há caracteres não-alfanuméricos (como espaços e sinais de pontuação), sua regex só coloca o hífen entre dois alfanuméricos ou entre dois não-alfanuméricos (repare que foi colocado entre a vírgula e o espaço que há logo depois dela), pois o \B indica exatamente isso: uma posição da string na qual os caracteres antes e depois são do mesmo "tipo" (ou ambos são alfanuméricos, ou ambos não são). Mas quando há apenas um espaço separando 2 palavras, não é colocado o hífen entre elas (o mesmo vale para o final: antes do ? não é colocado o hífen, pois esta é uma posição em que antes há uma letra e depois não).

Mas usando split, é colocado um hífen entre todos os caracteres, sem considerar se eles são alfanuméricos ou não.


Enfim, se você quer colocar o hífen entre todos os caracteres da string, independente de serem ou não alfanuméricos, então use split/join (ou use o spread operator: [...str].join("-")).

Mas se a ideia é colocar o hífen apenas entre as letras das palavras, aí tem que mudar um pouco a solução.

Se quer mesmo usar regex, uma opção é usar Unicode property escapes - mas veja antes se seu browser/ambiente é compatível (no momento em que escrevo, somente o IE não é):

const regex = /(\p{L})(?=\p{L})/gu;
const str = 'Pêssego';
const subst = '$1-';
const result = str.replace(regex, subst);

console.log(result); // P-ê-s-s-e-g-o

console.log('Oi, tudo bem?'.replace(regex, subst)); // O-i, t-u-d-o b-e-m?

No caso, \p{L} é qualquer letra que esteja definida pelo Unicode (incluindo letras acentuadas e de outros alfabetos). A ideia é pegar uma letra ((\p{L})), desde que esteja seguida por outra letra ((?=\p{L})).

A primeira letra está entre parênteses para formar um grupo de captura (e como é o primeiro par de parênteses, então é o grupo 1). E na string de substituição eu uso $1 para pegar o que foi capturado no grupo 1, e coloco o hífen em seguida.

Vale notar o uso da flag u (habilita o "modo Unicode"), sem a qual os Unicode property escapes não funcionam adequadamente.

Com isso os casos em que há mais de uma palavra são tratados corretamente: repare como na string 'Oi, tudo bem?' os hífens só são colocados entre as letras (mas novamente, se a intenção é colocar o hífen entre todos os caracteres, eu escolheria usar split/join por ser - na minha opinião - mais simples).


Outra opção é usar lookbehind:

const regex = /(?<=\p{L})(?=\p{L})/gu;
const str = 'Pêssego';
const subst = '-';
const result = str.replace(regex, subst);

console.log(result); // P-ê-s-s-e-g-o
console.log('Oi, tudo bem?'.replace(regex, subst)); // O-i, t-u-d-o b-e-m?

Assim, eu pego as posições da string que tem uma letra antes (indicado pelo lookbehind (?<=\p{L})) e uma letra depois (indicado pelo lookahead (?=\p{L})), e insiro o hífen nestas posições. No fundo, é uma forma de simular o \B (mas considerando apenas o caso em que ambos são letras - lembre-se que \B também considera os casos em que ambos não são alfanuméricos).


Se quiser limitar apenas para caracteres do português, também pode usar algo como:

const regex = /([a-záàâãéèêíïóôõöúç])(?=[a-záàâãéèêíïóôõöúç])/gi;

Ou alguma das outras opções listadas nesta pergunta.


Por fim, vale reforçar que há outra diferença. Mesmo se o \B funcionasse para caracteres acentuados, ainda daria diferença para o caso em que há dois ou mais caracteres não-alfanuméricos seguidos:

const str = 'abc...';
const regex1 = /(\p{L})(?=\p{L})/gu;
const regex2 = /\B(?=.)/g;
console.log(str.replace(regex1, "$1-")); // a-b-c...
console.log(str.replace(regex2, "-"));   // a-b-c.-.-.

No primeiro caso a regex só colocará o hífen entre duas letras (pois eu verifico explicitamente por letras - \p{L}), enquanto que o \B verifica posições da string em que os caracteres antes e depois são do mesmo "tipo" (ambos alfanuméricos ou ambos não-alfanuméricos). Por isso ele também insere o hífen entre dois caracteres . e isso dá diferença no resultado final.


Sobre a questão de "mudar o campo em tempo real", pode dar uma olhada aqui e aqui

2
  • Wow, não imaginava que tem havia tamanha discrepância entre os dois. Muito obrigado, foi de grande ajuda. E sobre o tempo real, consegui implementar com as duas e a melhor opção foi com o regex. Se puder indicar um bom livro ou videos para aprender regex ficaria muito grato!
    – Lordepina
    Commented 22/02/2021 às 18:53
  • 1
    @Lordepina Sobre regex, dois sites que eu gosto bastante são esse e esse. E livros, eu recomendo esse e esse
    – hkotsubo
    Commented 22/02/2021 às 18:54

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 .