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.