Verbos Com A Letra A

Filtrando verbos que começam com a letra A em textos brasileiros

Eu precisava extrair todos os verbos em "a" de um corpus de notícias antigas pra uma análise de frequência verbal, e o processo foi bem mais chato do que parecia à primeira vista. O problema é que a maioria das pessoas tenta fazer isso com expressões regulares simples, e isso funciona até você encontrar um caso que quebra tudo.

Verbos com a letra A: o básico que todo mundo erra

A abordagem mais ingênua seria usar uma regex como ^a\w+, mas verbos em português não obedecem a padrões tão rígidos. O primeiro obstáculo real é que "a" pode ser artigo, preposição, pronome ou parte do próprio verbo. Se você simplesmente selecionar todas as palavras que começam com "a", vai ter uma bagunça enorme de artículos e formas nominais misturados. O que eu fiz foi usar o SpaCy com o pipeline português (pt_core_news_sm) e aplicar um filtro encadeado: token.startswith("a") AND token.pos_ == VERB. Isso elimina artigo e preposição automaticamente, porque o POS tag já distingue. O código fica algo como:

import spacy
nlp = spacy.load("pt_core_news_sm")
doc = nlp(texto_qualquer)
verbos_a = [t.text.lower() for t in doc if t.text.lower().startswith("a") and t.pos_ == "VERB"] Isso resolve 90% dos casos, mas tem um detalhe que quase ninguém menciona: formas contractas. "à" e "ao" passam despercebidos por startswith("a") porque o acento grave conta como caractere diferente na comparação direta. Eu captei isso quando minha contagem estava 40% abaixo do que eu esperava baseado em leitura manual. A solução foi normalizar os acentos antes de comparar, usando unicodedata.normalize("NFD", token).strip("áàâãäå"), ou simplesmente converter para lowercase e depois remover acentos com uma funçãozinha helper.

Um problema real que eu encontrei

Num documento jurídico, aparecia "adjacente" como verbo. O SpaCy, com o modelo pequeno, marcou como ADJ em vez de VERB. Eu passei duas horas depurando antes de perceber que o modelo pt_core_news_sm tem limite de vocabulário e palavras técnicas do direito simplesmente eram classificadas errado. A solução foi trocour pelo modelo médio (pt_core_news_md) que resolveu 85% desses falsos negativos, mas ainda assim há casos de verbos pronominais como "atrever-se" que o tokenizador quebra em pedaços e o filtro perde.

Quando a abordagem falha completamente

Se o seu texto é coloquial, com gírias, abreviações de redes sociais ou fala transcrita de áudios, espere uma taxa de erro de 15 a 25%. Modelos treinados em texto escrito formal não lidam bem com "ta" (está), "tá", "num" (em + um), e variações regionais. Nesses cenários, o melhor é combinar a extração automática com revisão manual de uma amostra e ajustar regras manuais para os casos recorrentes. Eu criei uma lista de mapeamento {"ta": "estar", "tá": "estar"} que recuperou cerca de 8% dos verbos que o pipeline deixava escapar. A ferramenta que recomendo pra quem quer algo pronto é o próprio Spacy com o pipeline pt, mas se precisar de velocidade bruta em milhões de linhas, um script em Python puro com listas de verbos em "a" pré-carregadas do verbete do Priberam rodando matching por prefixo é duas vezes mais rápido e com precisão similar para textos padrão.