Skip to main content
4 de 10
adicionou 7 caracteres ao conteúdo
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170

Para procurar padrões em um texto, uma boa solução é usar expressões regulares. No Python, elas estão disponíveis no módulo re.

Para procurar por qualquer dígito de 0 a 9, você pode usar o atalho \d (que pega qualquer dígito de 0 a 9¹). E para limitar a quantidade, você pode usar os quantificadores, como {2} e {4}, que significam, respectivamente, "2 ocorrências" e "4 ocorrências". Ou seja, \d{2} significa "2 ocorrências de dígitos de 0 a 9".

Então a regex fica assim:

import re

texto = """Data 01.02.2019, outra data 20.11.2018 etc...
Outra data 15.03.1980, etc
"""

r = re.compile(r'\d{2}\.\d{2}\.\d{4}')
print(r.findall(texto))

findall retorna uma lista com os trechos encontrados na string. No caso, é qualquer trecho que corresponda a \d{2}\.\d{2}\.\d{4} (dois dígitos, ponto, dois dígitos, ponto, quatro dígitos):

['01.02.2019', '20.11.2018', '15.03.1980']

Repare que o ponto foi escrito como \.. Isso é necessário porque o ponto tem significado especial em regex: significa "qualquer caractere". Ou seja, se a regex fosse \d{2}.\d{2}.\d{4}, ela pegaria coisas como 12-10#2018 ou até mesmo 12a1092018, veja aqui um exemplo (o ponto corresponde a qualquer caractere, inclusive letras e números).

Para que o ponto "perca seus poderes" e seja interpretado como um caractere comum, é preciso fazer o escape com a \. Sendo assim, \. corresponde a apenas o caractere ., sem nenhum significado especial.

Se quiser, também pode usar finditer, que retorna um iterator de matches, que podem ser usados para obter mais informações a respeito dos trechos encontrados:

for match in r.finditer(texto):
    print("data '{}' encontrada na posicao {}".format(match.group(), match.start()))

No exemplo acima usei o método group() para obter o próprio trecho que foi encontrado (no caso, a data) e start(), que retorna a posição da string em que a data foi encontrada:

data '01.02.2019' encontrada na posicao 5
data '20.11.2018' encontrada na posicao 28
data '15.03.1980' encontrada na posicao 57

Veja a documentação para mais detalhes sobre as informações que podem ser obtidas do match.

Poderíamos parar por aqui, mas como não está claro o que pode ter no seu texto, acho que podemos melhorar mais um pouco essa regex.


Limitando os valores aceitos

\d busca por qualquer dígito de 0 a 9, o que quer dizer que \d{2} vai aceitar valores como 00, 32 e 99. Mas esses não são valores válidos para datas, então podemos mudar a regex para limitar os valores:

r = re.compile(r'(0[1-9]|[12]\d|3[01])\.(0[1-9]|1[0-2])\.(19|20)\d{2}')

Aqui temos o uso de alternância (o caractere |, que significa "ou"). Ou seja, abc|xyz significa "abc ou xyz". Na regex acima, temos vários casos assim para cobrir várias possibilidades de valores. Por exemplo, para o dia, temos 3 possibilidades:

  • 0[1-9]: um zero, seguido de "um dígito de 1 a 9". Os colchetes definem uma classe de caracteres, e o hífen define um intervalo. Portanto, [1-9] define um caractere que pode ser qualquer dígito de 1 a 9. Isso garante que o dia pode ser de 01 a 09
  • [12]\d: [12] também é uma classe de caracteres, mas sem o hífen (e portanto sem um intervalo). No caso, ela significa "o dígito 1 ou 2". Então todo este trecho significa "dígito 1 ou 2, seguido de qualquer dígito". Isso garante que o dia pode ser de 10 a 29
  • 3[01]: O dígito 3 seguido de 0 ou 1 (para os dias 30 e 31)

O | entre essas 3 expressões garante que a regex pode pegar qualquer uma dessas possibilidades, e os parênteses em volta de tudo isso agrupa toda esta sub-expressão em uma coisa só.

Algo parecido foi feito com o mês, sendo que 0[1-9]|1[0-2] significa:

  • 0[1-9]: zero, seguido de um dígito de 1 a 9 (para os meses de 01 a 09), ou
  • 1[0-2]: dígito 1, seguido de um dígito de 0 a 2 (para os meses 10, 11 e 12)

E para o ano, usei (19|20)\d{2}, que significa "19 ou 20, seguido de 2 dígitos". Ou seja, todos os anos entre 1900 e 2099. Isso é só um exemplo, pode usar \d{4} se quiser (lembrando que isso considera valores entre 0000 e 9999).

Só tem um detalhe: os parênteses formam um grupo de captura, e quando isso acontece, findall retorna uma lista de tuplas com os grupos. Usando o mesmo texto do exemplo anterior:

r = re.compile(r'(0[1-9]|[12]\d|3[01])\.(0[1-9]|1[0-2])\.(19|20)\d{2}')
print(r.findall(texto))

A saída é:

[('01', '02', '20'), ('20', '11', '20'), ('15', '03', '19')]

Ou seja, uma lista de tuplas, sendo que cada tupla tem o dia, mês e ano separados. Na verdade, o terceiro elemento é somente os dois primeiros dígitos do ano, pois é a parte que está entre parênteses na regex.

Para arrumar isso, basta mudar os parênteses para grupos de não-captura, colocando ?: logo depois do (:

r = re.compile(r'(?:0[1-9]|[12]\d|3[01])\.(?:0[1-9]|1[0-2])\.(?:19|20)\d{2}')
print(r.findall(texto))

Agora sim o retorno estará correto:

['01.02.2019', '20.11.2018', '15.03.1980']

Mas ainda sim, esta regex aceita algumas datas inválidas, como 31.04.2019 (pois abril só tem 30 dias), ou ainda 29.02.2019 (2019 não é ano bissexto, então fevereiro tem só 28 dias). Não sei como está o seu texto, mas pode ser que tenha erros de digitação, por exemplo.

Embora seja possível fazer uma regex para validar tudo isso (inclusive verificação de anos bissextos), ela é tão complicada que começa a não valer a pena. Veja aqui um exemplo e tente entendê-lo (talvez como exercício seja interessante, mas eu jamais usaria isso em produção).


Se quiser validar datas, faça fora da regex

Como vimos, uma regex mais simples pode trazer vários trechos que podem não ser datas (como 00.99.1224 ou ainda 31.04.2019). Já uma regex mais precisa (como a do link já citado) é tão complicada que - na minha opinião - não começa a não valer a pena usar, pois é um pesadelo de manutenção.

Talvez o melhor seja um meio-termo: fazer uma regex nem tão complicada, nem tão precisa, mas que traz algo que pareça uma data. Em seguida, eu valido esse algo para ter certeza que é de fato uma data válida.

Para isso podemos usar o módulo datetime e o método strptime, que transforma uma string em data (bastando para isso especificar o formato em que esta string está), e caso a data seja inválida, lança um ValueError. Então primeiro podemos criar uma função que verifica se uma string representa uma data no formato "dia.mês.ano":

from datetime import datetime

def data_valida(data):
    try:
        datetime.strptime(data, "%d.%m.%Y")
        return True
    except ValueError:
        return False

Em seguida, podemos usar essa função com o resultado de findall, e descartar os resultados que não são válidos:

import re

texto = """Data 01.02.2019, outra data 20.11.2018 etc...
Outra data 15.03.1980, etc
Data inválida: 31.04.2019
"""

r = re.compile(r'(?:0[1-9]|[12]\d|3[01])\.(?:0[1-9]|1[0-2])\.(?:19|20)\d{2}')

datas = [data for data in r.findall(texto) if data_valida(data)]
print(datas)

Com isso, a regex continua encontrando datas inválidas (como 31.04.2019), mas a função faz uma verificação extra. No final, a lista só terá as datas válidas:

['01.02.2019', '20.11.2018', '15.03.1980']


Ainda dá para melhorar mais, claro. Se o seu texto tiver algo como 112.12.2019 (pode ser um erro de digitação, pois possui um 1 a mais no início, mas também pode ser, sei lá, um código específico que por coincidência "se parece" com uma data), a regex vai ignorar o primeiro 1 e pegar o restante (12.12.2019).

Se quiser ignorar casos assim, podemos limitar para datas que estejam "isoladas" no texto. Ou seja, sem nenhum outro caractere alfanumérico antes ou depois, e podemos fazer isso usando o atalho \b (também chamado de word boundary, algo como "fronteira entre palavras"):

r = re.compile(r'\b(?:0[1-9]|[12]\d|3[01])\.(?:0[1-9]|1[0-2])\.(?:19|20)\d{2}\b')

Com isso, casos como 112.12.2019 são ignorados pela regex.

Só fiz todas essas sugestões porque não ficou claro o que pode estar no seu texto. Dependendo do quão variados estão os seus dados, você pode ajustar a complexidade da regex. O importante é verificar se ela pega o que você precisa, e - não menos importante - se ela não pega o que você não precisa.

Mas como a parte de "não pegar o que não precisa" é mais complicada, ainda acho interessante fazer a validação das datas fora da regex, para ter certeza que são mesmo datas. Mas fica a seu critério fazer isso ou não.


(1) No Python 3, os dígitos aceitos por \d são qualquer caractere da categoria Unicode "Number, Decimal Digit", o que inclui caracteres como ٠١٢٣٤٥٦٧٨٩, entre outros (veja esta resposta para mais detalhes, e este exemplo para entender melhor).

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