Skip to main content
3 de 4
adicionou 180 caracteres ao conteúdo
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170

O problema de usar . é que ele corresponde a qualquer caractere, e por isso é abrangente demais e pode acabar pegando partes da string que você não quer.

O melhor é dizer exatamente o que você quer. No caso do telefone, se ele sempre está no formato indicado, use:

(\+\d-\d{3}-\d{3}-\d{4})

Ou seja, o sinal de +, seguido de um dígito (\d), traço, 3 dígitos (\d{3}), traço, 3 dígitos, traço, 4 dígitos. O número depois do + é o DDI, e vários países têm códigos com mais de um dígito. Então talvez seja interessante mudar o início para \+\d{1,3}: o sinal de + seguido de um, dois ou três dígitos ({1,3} significa "entre uma e três ocorrências").

Só que se o DDI for do Brasil, por exemplo, então os telefones não têm esse formato (123-123-1234). Mas aí já estou especulando, porque você só deu exemplos com DDI igual a 1, então vamos manter assim.

Com isso o telefone não será confundido com nenhum outro trecho da string.


O mesmo vale para os outros campos. O nome, por exemplo. Caso ele sempre esteja entre < e >, podemos usar <(.*?)> como você fez. Só que o ponto (.) significa "qualquer caractere", então se a string tiver <@!#$>, a regex aceita e considera que @!#$ é o nome. E como * significa "zero ou mais ocorrências", isso quer dizer que a string pode ter inclusive <>, e o nome será vazio.

Se o nome sempre for "Letra maiúscula, espaço, letras", você pode usar <([A-Z] [A-Z][a-z]+)>, por exemplo.

Os colchetes ([]) indicam uma classe de caracteres: eles servem para indicar que você quer qualquer caractere que esteja dentro deles. Por exemplo, [abc] significa "a letra a ou a letra b ou a letra c" (apenas uma delas, qualquer uma serve). É uma expressão que corresponde a apenas um caractere.

Dentro dos colchetes também é possível usar atalhos como A-Z, que significa "letras de A a Z" (ou seja, qualquer letra maiúscula). Então [A-Z] [A-Z][a-z]+ significa:

  • uma letra maiúscula seguida de espaço: [A-Z]
  • uma letra maiúscula ([A-Z]) seguida uma ou mais letras minúsculas ([a-z]+)

Só que isso não considera caracteres acentuados (á, ñ, õ, etc).

Se quiser ser mais abrangente, você pode usar as categorias Unicode (se a linguagem/engine que você está usando suporta este recurso).

Eu posso usar a categoria Ll, que considera qualquer letra minúscula (incluindo caracteres gregos, cirílicos e muitos outros, a lista é grande), e a categoria Lu para letras maiúsculas (cuja lista também é grande).
Então a regex ficaria <(\p{Lu} \p{Lu}\p{Ll}+)>.

Se não quiser pegar tantos caracteres e se limitar ao alfabeto latino, pode incluir os caracteres acentuados nos colchetes, como por exemplo [A-ZÁÂÃÉÊÍÎÓÔÕÚÛÇ] para letras maiúsculas (inclua todos que precisar nos colchetes).

Enfim, escolha o que encaixar melhor nos seus casos de uso. Se as entradas forem bem controladas e não há chance de ter strings como $ @123 no lugar do nome, até mesmo .*? é aceitável. Quanto mais precisa é a regex, mais complexa ela fica, porém quanto mais simples, maior é a chance de falsos positivos.

Obs: Dependendo da linguagem/engine utilizada, os caracteres < e > precisam ser escapados para \< e \>.


Outro problema está na ordem em que as informações estão, que pelos exemplos dados, parece variar:

  • na primeira linha temos telefone, endereço e nome
  • na segunda linha temos parte do endereço, nome, outra parte do endereço (CEP) e telefone

Uma alternativa seria ter uma regex com alternância (usando |), ficando mais ou menos assim:

(?:(telefone) (endereço) (nome))|(?:(parte_endereço) (nome) (parte2_endereço) (telefone))|(?:....)

No caso, telefone seria a expressão acima (\+\d...), idem para nome e endereço (que não chegamos a abordar em detalhes, mas teria a sua própria expressão colocada ali).

Para cada alternância, coloca-se uma ordem em que as informações podem estar. O problema é que isso faz com que tenhamos que repetir a mesma expressão várias vezes. Além disso você teria que verificar qual grupo que deu o match: o telefone pode estar no primeiro ou no sétimo grupo, por exemplo (os parênteses mais externos não entram na contagem porque eu coloquei ?:, e isso faz com que eles não sejam considerados grupos de captura).

Se a linguagem/engine que você está usando suporta sub-rotinas de regex (também chamados de padrões recursivos), é possível usá-las para aproveitar a mesma expressão em outros pontos da regex. A ideia da subrotina é reaproveitar a expressão de um dos parênteses em outro ponto da regex. Por exemplo:

(telefone) (endereço) (nome)|((?2)) ((?3)) ((?1))

A expressão (?1) significa "a mesma expressão que está no primeiro grupo de captura". E como um grupo de captura é definido pelos parênteses, então (telefone) é o primeiro grupo, e (?1) é apenas um atalho para não repetirmos a mesma expressão (\+\d-etc...). Note que coloquei entre parênteses: ((?1)). Isso faz com que ela se torne outro grupo de captura, ou seja, é possível capturar caso a string seja encontrada neste ponto (e ela será o sexto grupo de captura, já que é o sexto par de parênteses da expressão).

Veja aqui um exemplo de como ficaria.

Mas infelizmente não são todas as linguagens e bibliotecas que implementam esta funcionalidade. Uma que conheço é o módulo regex do Python (não é o mesmo que o módulo re, pois ele adiciona várias funcionalidades, incluindo as sub-rotinas).

Como você não especificou qual linguagem está usando (mas há grandes chances de ser uma que não suporta as sub-rotinas), outra alternativa é fazer como sugeriu o @Sam: você pode extrair o nome e telefone (usando as expressões já explicadas acima), e em seguida faz uma substituição removendo-os da string. O que sobrar é o endereço.

hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170