Regular Expressions: A Practical Tutorial — txt1.ai

Ainda me lembro do dia em que passei seis horas limpando manualmente um conjunto de dados com 50.000 endereços de e-mail de clientes. Era 2012, eu era um analista de dados júnior em uma empresa de e-commerce de médio porte, e não sabia sobre expressões regulares. Eu copiava, colava, encontrava, substituía e xingava enquanto passava de planilha para planilha. Meu gerente passou por volta da quarta hora e perguntou o que eu estava fazendo. Quando eu expliquei, ela riu—não de forma indelicada—e disse: "Você sabe que regex poderia fazer isso em cerca de trinta segundos, certo?"

Aquele momento mudou minha carreira. Doze anos depois, como engenheiro de dados sênior que processou bilhões de registros em empresas de saúde, finanças e tecnologia, posso afirmar com confiança que as expressões regulares são a habilidade mais subestimada no trabalho com dados. Elas não são sexy. Não fazem as manchetes como aprendizado de máquina ou blockchain. Mas são a diferença entre passar sua tarde em um trabalho manual entediante e usá-la para resolver problemas reais.

Este tutorial não é sobre memorizar sintaxes obscuras ou se tornar um mago do regex da noite para o dia. É sobre compreender os padrões práticos que economizarão horas a cada semana. Vou mostrar a você as expressões exatas que mais uso, explicar por que funcionam e dar cenários reais onde elas salvaram projetos nos quais trabalhei. Ao final, você terá um conjunto de ferramentas que o tornará significativamente mais eficiente em processamento de texto, limpeza de dados e validação.

O que são realmente as expressões regulares (e por que você deve se importar)

As expressões regulares—regex para abreviar—são padrões que descrevem texto. Pense nelas como uma linguagem de busca que é muito mais poderosa do que a simples função de "encontrar" no seu editor de texto. Em vez de procurar correspondências exatas como "[email protected]", você pode procurar por padrões como "qualquer coisa que pareça um endereço de e-mail."

Veja por que isso é importante em termos práticos: no meu papel atual, trabalho regularmente com arquivos de log contendo milhões de entradas. Mês passado, precisei extrair todos os endereços IP de um log de servidor de 2,3 GB para analisar padrões de tráfego. Sem regex, teria precisado escrever um analisador personalizado, provavelmente 50-100 linhas de código, com cuidados especiais para lidar com casos limites. Com regex, foi uma linha: \b\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}\b. Tempo de execução: 4,7 segundos.

O impacto nos negócios é real. Um colega em uma empresa de serviços financeiros uma vez me contou que eles estavam revisando manualmente descrições de transações para categorizar despesas—cerca de 200 transações por dia, levando cerca de 45 minutos. Eu os ajudei a escrever três padrões regex que automatizaram 87% da categorização. Isso significa 39 minutos economizados diariamente, ou cerca de 140 horas por ano para uma pessoa. Multiplique isso por uma equipe, e você está falando de dinheiro real.

As expressões regulares funcionam em praticamente todas as linguagens de programação e muitas ferramentas que você já usa. Python, JavaScript, Java, C#, Ruby, PHP—todas elas têm suporte a regex. Até o Excel possui funcionalidade limitada de regex através de suas funções mais novas. Editores de texto como VS Code, Sublime Text e Vim usam regex para encontrar e substituir. Ferramentas de linha de comando como grep, sed e awk são construídas em torno de regex. Aprenda uma vez, use em qualquer lugar.

A curva de aprendizado existe, não vou mentir. A sintaxe do regex pode parecer intimidadora à primeira vista. Mas aqui está o que aprendi treinando dezenas de engenheiros juniores: você não precisa dominar tudo. Cerca de 80% do trabalho prático com regex usa talvez 20% dos recursos disponíveis. Concentre-se nesses padrões principais e você lidará com a grande maioria dos cenários do mundo real.

Os blocos de construção: caracteres, quantificadores e classes de caracteres

Vamos começar com os fundamentos. Em regex, a maioria dos caracteres corresponde a si mesma literalmente. O padrão cat corresponde à palavra "cat" no texto. Simples o suficiente. Mas o regex se torna poderoso quando você usa caracteres especiais que correspondem a padrões em vez de texto literal.

"As expressões regulares são a diferença entre passar seis horas na limpeza manual de dados e passar trinta segundos escrevendo um padrão que faz isso perfeitamente toda vez."

A ponto (.) é seu primeiro caractere especial. Ele corresponde a qualquer único caractere, exceto uma quebra de linha. Portanto, c.t corresponde a "cat", "cot", "cut" e até "c9t". Eu uso isso constantemente quando sei a estrutura dos dados, mas não o conteúdo exato. Por exemplo, ao analisar códigos de produtos que seguem um padrão como "AB-1234-XY", posso usar ..-.{4}-.. para corresponder a qualquer código com essa estrutura.

Os quantificadores dizem ao regex quantas vezes algo deve aparecer. O asterisco (*) significa "zero ou mais vezes", o mais (+) significa "uma ou mais vezes", e a interrogação (?) significa "zero ou uma vez". Aqui está um exemplo prático: uma vez precisei limpar números de telefone que vieram em vários formatos—alguns com parênteses, alguns com hifens, alguns com espaços. O padrão \(?\d{3}\)?[-.\s]?\d{3}[-.\s]?\d{4} lidou com todas as variações. Os pontos de interrogação tornaram os parênteses e separadores opcionais.

As classes de caracteres permitem que você corresponda a conjuntos específicos de caracteres. Colchetes definem uma classe: [aeiou] corresponde a qualquer vogal. Você pode usar intervalos: [a-z] corresponde a qualquer letra minúscula, [0-9] corresponde a qualquer dígito. Eu uso [A-Za-z0-9] constantemente para validação alfanumérica. Também existem classes abreviadas: \d para dígitos, \w para caracteres de palavras (letras, dígitos, sublinhado) e \s para espaços em branco.

Aqui está um cenário real do ano passado: estava processando respostas de pesquisas onde as pessoas inseriram idades em formatos extremamente inconsistentes—"25", "25 anos", "25 anos de idade", "vinte e cinco", etc. Para as entradas numéricas, \d{1,3}\s*(years?|yrs?)? capturou a maioria das variações. O \d{1,3} correspondeu de um a três dígitos, \s* correspondeu a espaços em branco opcionais, e os parênteses com o pipe (|) criaram um grupo opcional correspondendo a "ano", "anos", "yr" ou "yrs".

Ancoras são cruciais para correspondência precisa. O acento circunflexo (^) corresponde ao início de uma linha, e o sinal de dólar ($) corresponde ao final. Sem âncoras, \d{3} corresponderia a "123" em qualquer lugar em "abc123def". Com âncoras, ^\d{3}$ corresponde apenas se a linha inteira for exatamente três dígitos. Aprendi isso da maneira mais difícil ao validar a entrada do usuário—sem âncoras, meu validador de "código de três dígitos" aceitou "abc123def456" porque encontrou três dígitos em algum lugar ali.

Grupos de captura e referências: extraindo o que você precisa

Os parênteses em regex fazem mais do que agrupar alternativas—eles capturam texto correspondente para uso posterior. É aqui que o regex vai de "encontrar padrões" para "extrair e transformar dados." Eu uso grupos de captura em provavelmente 60% do meu trabalho com regex.

Digamos que você tenha datas no formato "2024-03-15" e precise convertê-las para "03/15/2024". O padrão (\d{4})-(\d{2})-(\d{2}) cria três grupos de captura. Na maioria das linguagens de programação, você pode referenciar essas capturas: grupo 1 é o ano, grupo 2 é o mês, grupo 3 é o dia. Você pode então reorganizá-los: $2/$3/$1 na string de substituição dá o novo formato.

Recentemente usei essa técnica para processar 18.000 descrições de produtos que precisavam de reformatação. O formato original era "NomeDoProduto (SKU: 12345) - $99.99" e precisávamos "12345 | NomeDoProduto | $99.99". O padrão (.+?) \(SKU: (\d+)\) - (\$[\d.]+) capturou os três componentes, e a substituição $2 | $1 | $3 os reorganizou. Tempo total: cerca de 90 segundos para escrever e testar a regex, 2,3 segundos para processar todos os registros.

Grupos de não captura são úteis quando você precisa de agrupamento para alternância ou quantificadores, mas não deseja capturar o texto. Use (?:...) em vez de (...). Por exemplo, (?:Sr|Sra|Sras)\. ([A-Z][a-z]+) corresponde a títulos, mas captura apenas o nome. Isso mantém seus grupos de captura numerados de forma sensata e pode melhorar ligeiramente o desempenho em grandes conjuntos de dados.

As referências permitem que você corresponda ao mesmo texto que foi capturado anteriormente no padrão. A sintaxe é <