2

Preciso de uma expressão regular que divida uma string, mais especificamente um nome completo de uma pessoa, e transforme num array de palavras.

$string = "Wallace de Souza Vizerra";

$array = preg_split('/\s+/', $string, -1, PREG_SPLIT_NO_EMPTY);

['Wallace', 'de', 'Souza', 'Vizerra']

Porém, quando houver as ocorrências de, da, do, das e dos, elas não devem separadas da palavra seguinte:

['Wallace', 'de Souza', 'Vizerra']

Alguém que manja de expressão regular poderia me ajudar e me explicar como funcionaria a expressão regular utilizada na resposta?

Se houver alguma forma, também gostaria de remover, através da expressão regular, a primeira palavra também.

Ou seja:

$string = "Wallace de Souza Vizerra"

Deverá retornar:

['de Souza', 'Vizerra']
1
  • Eu consegui o primeiro resultado! Com a expressão regular /(?<!de|da|do|dos|das)\W+/ 3/07/2015 às 20:24

2 Respostas 2

5

Sucesso, porém não há como remover o primeiro item do array resultante do preg_split usando a própria função e nem mesmo outra função inline, por isso, array_shift foi usado (poderia também usar unset($array[0])).

separa_palavras.php

<?php

$nome_completo = 'Wallace de Souza Vizerra dos Santos';

$resultado = preg_split('/(?<!de|da|do|dos|das)[\s]/i', $nome_completo);
$nome_removido = array_shift($resultado);
reset($resultado); // re-ordena chaves

var_export($resultado);

Saída

array (
  0 => 'de Souza',
  1 => 'Vizerra',
  2 => 'dos Santos',
)
2
  • 1
    Amigo, o array_shift já reordena o array. Não precisa do reset 6/07/2015 às 11:46
  • Não foi o que aconteceu ou eu não reparei hahaha mas obrigado 6/07/2015 às 14:02
0

Com preg_split você pode usar como critério a regex que você já tem (espaços, desde que não tenha "de", "do", "da", etc antes) e acrescentar a primeira palavra como outra possibilidade:

$string = "Wallace de Souza Vizerra";
var_dump(preg_split('/(^\w+\s)|(?<!de|da|do|dos|das)\s/', $string, -1, PREG_SPLIT_NO_EMPTY));

Eu uso alternância (o caractere |, que significa "ou") para indicar que o split deve ser feito considerando duas possibilidades:

  • (^\w+\s): a primeira palavra, ou seja, o início da string (^), seguido de uma ou mais letras, números ou _ (\w+), seguido de um espaço (\s), ou
  • (?<!de|da|do|dos|das)\s: um espaço, desde que antes não tenha "de", "do", "da", "dos" ou "das" - o (?<! indica um lookbehind negativo, que verifica se algo não existe antes da posição atual

Assim, o split é feito nos espaços ou na primeira palavra. A saída é:

array(2) {
  [0]=>
  string(8) "de Souza"
  [1]=>
  string(7) "Vizerra"
}

Tive que usar a flag PREG_SPLIT_NO_EMPTY, caso contrário a primeira posição do array teria uma string vazia.


Alternativa: match em vez de split

Mas também é possível obter o array da forma que você quer usando preg_match_all.

Pois no fundo, split e match são dois lados da mesma moeda:

  • no split eu digo o que eu não quero que faça parte do resultado final (espaços, desde que antes deles não tenha "de", "do", "da", etc, ou a primeira palavra)
  • no match eu digo o que eu quero (palavras, exceto a primeira, mas se antes tiver "de", "do", etc, então eu junto com a palavra seguinte).

Sendo assim, a regex ficaria:

$string = "Wallace de Souza Vizerra";
if (preg_match_all('/(?:^\w+\s\K)?(?:d(?:e|[ao]s?)\s)?\w+/', $string, $matches)) {
    var_dump($matches[0]);
}

Todos os parênteses estão com (?: para formar grupos de não-captura. Se usar somente parênteses sem o ?:, eles se tornam grupos de captura e cada grupo é retornado separadamente no array $matches, mas como os grupos não me interessam (somente o match todo), então eu uso grupos de não-captura para que o array não tenha mais coisas do que eu preciso.

O trecho d(?:e|[ao]s?)\s é uma outra forma de dizer que pode ter "de", "do", "da", "dos" ou "das". Eu uso alternância para dizer que depois da letra d, pode ter duas possibilidades:

Eu não usei isso no exemplo com preg_split porque dentro de um lookbehind a regex não aceita padrões com tamanho variável (por causa do ?), então aquela expressão só funciona usando padrões com tamanho fixo.

Tudo isso seguido de um espaço ( \s - detalhe que este atalho também pega quebras de linha e outros caracteres, veja aqui para mais detalhes). Ou seja, este trecho pega "de", "do", "da", "dos" ou "das", seguido de um espaço. E o ? logo depois torna todo este trecho opcional (pois nem todas as palavras terão isso antes).

Depois temos \w+, que pega uma ou mais ocorrências de letras, números ou o caractere _.

E no início temos o grande truque para ignorar a primeira palavra: primeiro o trecho ^\w+\s pega o início da string (o marcador ^), seguido de \w+ (uma ou mais letras, números ou _) seguido de um espaço (\s). Depois temos o atalho \K, que segundo a documentação serve para descartar o trecho que foi encontrado até então.

Ou seja, a regex encontra a primeira palavra seguida de espaço (^\w+\s), mas depois encontra o \K, o que faz com que essa palavra seja descartada do match, e por isso ela não fará parte do resultado final.

Isso faz com que a primeira palavra seja pega, e em seguida descartada. Depois o restante da regex pega da segunda palavra em diante. O detalhe é que só a segunda palavra terá o trecho ^\w+\s\K antes dela, por isso eu deixo este trecho opcional (colocando o ? logo depois). Assim, ao encontrar a segunda palavra, o \K descarta o que veio antes (no caso, a primeira palavra), e da terceira palavra em diante, ele não descarta nada.

A saída do código acima é:

array(2) {
  [0]=>
  string(8) "de Souza"
  [1]=>
  string(7) "Vizerra"
}

Eu pego somente $matches[0] porque preg_match_all cria um array de arrays. Mas neste caso, esta regex vai gerar um array com somente uma posição, contendo outro array com os resultados que você precisa. Então basta pegar $matches[0].


Outro teste:

$string = 'Fulano da Silva dos Santos das Dores Teixeira de Carvalho etc blablabla do fim do mundo';
if (preg_match_all('/(?:^\w+\s\K)?(?:d(?:e|[ao]s?)\s)?\w+/u', $string, $matches)) {
    var_dump($matches[0]);
}

Saída:

array(9) {
  [0]=>
  string(8) "da Silva"
  [1]=>
  string(10) "dos Santos"
  [2]=>
  string(9) "das Dores"
  [3]=>
  string(8) "Teixeira"
  [4]=>
  string(11) "de Carvalho"
  [5]=>
  string(3) "etc"
  [6]=>
  string(9) "blablabla"
  [7]=>
  string(6) "do fim"
  [8]=>
  string(8) "do mundo"
}

Como já dito, \w pega letras, números e o caractere _ (ou seja, 1_23 também é considerado uma "palavra"). Se quiser ser mais específico, pode usar [a-zA-Z] para pegar somente letras, mas isso não vai pegar letras acentuadas. Então uma alternativa é usar Unicode character properties:

$string = "Fábio de Souza Lázaro do Patrocínio";
if (preg_match_all('/(?:^\p{L}+\s\K)?(?:d(?:e|[ao]s?)\s)?\p{L}+/u', $string, $matches)) {
    var_dump($matches[0]);
}

\p{L} pega qualquer letra definida pelo Unicode (incluindo letras de outros alfabetos, como o japonês, árabe, etc). Não esqueça de usar a flag u (logo depois da segunda barra que delimita a regex), senão o \p{L} não funciona.

A saída é:

array(3) {
  [0]=>
  string(8) "de Souza"
  [1]=>
  string(7) "Lázaro"
  [2]=>
  string(14) "do Patrocínio"
}

match vs split

Se bem que nesse caso, o split me parece mais "fácil" (ou menos complicado) que o match. De qualquer forma, é interessante saber que você pode obter os mesmos resultados usando ambas as abordagens. Se o critério para um estiver muito difícil, às vezes é mais fácil usar o outro.

Outro detalhe é que as soluções acima só consideram o caso em que há apenas um espaço entre as palavras. Mas se a string for por exemplo "Wallace de Souza Vizerra", bastaria alterar a regex para considerar um ou mais espaços (\s+):

$string = "Wallace    de   Souza   Vizerra";
if (preg_match_all('/(?:^\w+\s+\K)?(?:d(?:e|[ao]s?)\s+)?\w+/', $string, $matches)) {
    var_dump($matches);
}

Saída:

array(1) {
  [0]=>
  array(2) {
    [0]=>
    string(10) "de   Souza"
    [1]=>
    string(7) "Vizerra"
  }
}

Porém, com preg_split não funciona se usar \s+:

$string = "Wallace    de   Souza   Vizerra";
var_dump(preg_split('/(^\w+\s+)|(?<!de|da|do|dos|das)\s+/', $string, -1, PREG_SPLIT_NO_EMPTY));

Saída:

array(3) {
  [0]=>
  string(3) "de "
  [1]=>
  string(5) "Souza"
  [2]=>
  string(7) "Vizerra"
}

Fiquei tentando encontrar uma solução para o split, mas até o momento sem sucesso. Ou seja, esse é um caso em que o match acabou sendo mais "fácil" que o split.

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 .