7

Estou escrevendo um loop que eu preciso extrair a palavra "conselho" ou "conselhos" e as três palavras seguintes (se existirem) de um conjunto de textos. No entanto, as diferentes soluções que eu escrevo não estão funcionando.

Fato: a regex conselho(?:\\s+\\w+){1,3} funciona se eu quero "conselho de estado" , mas não para "conselhos de estado", e eu queria pegar as duas expressões.

Primeira tentativa: |

A regex conselho(?:\\s+\\w+){1,3}|conselhos(?:\\s+\\w+){1,3} em tese funciona, mas no meu loop ela acaba retornando as ocorrências duplicadas. Não entendi exatamente o porquê.

Aqui está um exemplo do que ele encontra:

                              termo
1 conselhos tanto representantes de
2 conselhos tanto representantes de
3 conselhos tanto representantes de
4     conselhos deveriam ser vistos
5     conselhos deveriam ser vistos
6     conselhos deveriam ser vistos
7     conselho nacional de política
8     conselho nacional de política

Segunda tentativa: +(s)

Na segunda vez eu tentei extrair com a seguinte regex conselho+(s)(?:\\s+\\w+){1,3}, o resultado foi que ele só encontra os termos "conselhos" e ignora o "conselho"

termo
1 conselhos tanto representantes de
2 conselhos tanto representantes de
3 conselhos tanto representantes de
4     conselhos deveriam ser vistos
5     conselhos deveriam ser vistos
6     conselhos deveriam ser vistos

Qual é a regex correta?

2 Respostas 2

7

A sua primeira tentativa não deveria duplicar, afinal a regex busca por um ou outro, e se encontrar um deles, não deveria buscar pelo outro. Mas enfim, dá para fazer de forma mais simples, como já veremos abaixo.

A sua segunda tentativa não funciona porque conselho+(s) significa:

  • a palavra "conselh"
  • o+ - a letra o repetida uma ou mais vezes
  • (s) - a letra s

Portanto, este trecho vai pegar palavras como "conselhos", "conselhoooos", "conselhooooooooooooos", mas não "conselho".

Se quer que o s seja opcional, basta colocar ? depois dele, assim:

conselhos?(?:\\s+\\w+){1,3}

A outra resposta usa s*, que também funciona, mas o problema é que o * significa "zero ou mais ocorrências", ou seja, se tiver algo como "conselhoss", também vai pegar. Já usando s?, eu garanto que só pode ter zero ou uma ocorrência do s (claro que se seu texto não tem esses casos errados, não terá problemas).

Quanto a "três palavras seguintes (se existirem)", quer dizer que se não tiver nenhuma palavra depois de "conselho"/"conselhos", também serve? Se for este o caso, bastaria trocar {1,3} por {0,3}.


Vale lembrar ainda que o atalho \w também inclui dígitos e o caractere _. Ou seja, coisas como abc_123 ou 1_000 serão consideradas "palavras". Se quer restringir para apenas letras, basta trocar para:

conselhos?(?:\\s+\\b[[:alpha:]]+\\b){1,3}

No caso, acrescentei o atalho \b (word boundary, explicado em mais detalhes aqui e aqui), para que ele desconsidere casos como abc_123 (sem o \b, ele considera que o trecho abc é a palavra, com o \b, ele desconsidera completamente o abc_123 e não inclui nos resultados).

1
  • 2
    Obrigado por reparar que se s* repete o s zero ou mais vezes também pega vários esses. Commented 4/05/2022 às 6:40
5

A regex está lá quase, basta acrescentar [s]* (opcional s zero ou mais vezes) logo a seguir a "conselho" e mudar o máximo de repetições da expressão que se segue para 2.

x <- c(
  "conselho de estado",
  "conselhos de estado",
  "outro sem conslh",
  "conselhos tanto representantes de",
  "conselhos deveriam ser vistos",
  "conselho nacional de política"
)

m <- regexpr("conselho[s]*(?:\\s+\\w+\\>){1,2}", x)
regmatches(x, m)
#> [1] "conselho de estado"             "conselhos de estado"           
#> [3] "conselhos tanto representantes" "conselhos deveriam ser"        
#> [5] "conselho nacional de"

Created on 2022-05-03 by the reprex package (v2.0.1)


Depois de ler a excelente resposta do hkotsubo, eis duas regex corrigidas. A primeira só com o "s*" mudado e a segunda também com "[[:alpha:]]" em vez de "\\w".

1.

m <- regexpr("conselhos?(?:\\s+\\w+\\>){1,2}", x)

2.

m <- regexpr("conselhos?(?:\\s+\\[[:alpha:]]+\\>){1,2}", x)

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 .