Como lidar com padrões de texto que contêm sequências como lha, lhe, lhi, lho, lhu
Trabalhar com strings que contêm essas combinações específicas exige atenção aos detalhes. Na prática, vejo muitos desenvolvedores cometendo erros ao tentar extrair ou substituir esses padrões, principalmente porque as sequências são curtas e podem aparecer em contextos diferentes dentro da mesma string.
texto com lha lhe lhi lho lhu na prática
Vou explicar o processo direto. Primeiro, você precisa decidir se vai usar expressões regulares ou processamento manual de strings. Recomendo regex para cenários onde os padrões aparecem de forma dispersa, mas processamento iterativo quando você precisa validar cada ocorrência contra regras específicas. O problema real é que essas sequências podem fazer parte de outras palavras maiores. Por exemplo, em uma string como "alhamdulillah", você tem "lha" no meio. Se seu objetivo é extrair apenas as ocorrências isoladas, uma regex simples como [lL][hH][aA] vai capturar falsos positivos.
No meu caso, tive que resolver um problema de parsing de logs onde precisava identificar padrões específicos sem interferir em dados adjacentes. A solução foi usar lookarounds: (?
![a-zA-Z])lha(?![a-zA-Z]). Isso garante que a sequência não esteja envolta por outras letras, funcionando como um delimitador contextual. Outro ponto que ninguém menciona: a ordem dos padrões importa quando você faz substituições múltiplas. Se você substituir "lhe" antes de "lha", pode destruir oportunidades de match posteriores. A sequência correta de substituição deve sempre começar pelas strings mais longas ou específicas.
Para quem está começando, aqui está um exemplo prático em Python: import re
texto = "teste lha exemplo lhe outro lhi mais lho e lhu"
padrao = r'\b(lha|lhe|lhi|lho|lhu)\b'
resultados = re.findall(padrao, texto)
print(resultados)
👉 Clique no botão abaixo para saber mais sobre o assunto!
Isso retorna ['lha', 'lhe', 'lhi', 'lho', 'lhu']. O uso de word boundaries (\b) evita capturar parte de outras palavras. Sem isso, strings como "lhama" ou "alho" gerariam resultados incorretos.
Limitações e quando não usar essa abordagem
Essa técnica tem um gap importante: não funciona bem com texto em português correto, onde "lhe" é um pronome oblíquo e aparece frequentemente em frases normais. Se seu objetivo é análise linguística, você vai precisar de um tokenizador adequado, não de regex. Também notei que a performance cai significativamente em strings muito grandes quando se usa lookarounds complexos. Em testes com arquivos de 50MB, o processamento manual com split e verificação de substrings foi cerca de 3x mais rápido que a solução com regex avançada.
Se você precisa apenas contar ocorrências, use str.count() para cada padrão separadamente. É menos elegante, mas muito mais previsível e fácil de manter. O download do código completo está disponível nos repositórios públicos, mas recomendo adaptar ao seu contexto específico antes de usar em produção. Cada caso tem particularidades que exigem ajustes nos delimitadores e nas regras de correspondência.
