Começando do jeito certo: como lidar com substantivos próprios na prática
Você já precisou normalizar nomes próprios em um banco de dados e descobriu que o problema é muito mais chato do que parece. Não é só colocar a primeira letra maiúscula. Nomes como "São Paulo", "Rio de Janeiro" ou "McDonald's" têm regras que a maioria dos cursores ignora até errar feio.
O que são os 10 substantivo próprio mais relevantes
Vou listar os mais problemáticos e explicar por que cada um exige tratamento diferente. O primeiro é São Paulo — o "São" sempre maiúsculo, o "Paulo" também. Já vi sistemas lowercase que viravam "são paulo" e quebravam índices geográficos. O segundo é Rio de Janeiro, idem. O terceiro é Portugal, quarto é Brasil. Simples, mas atenção ao plural: "os Brasil" não existe, certo? Errado, porque em contextos históricos você vê "Os Brasil" referindo-se a países com nome homônimo.
Edge cases que quebram qualquer regex ingênuo
Em 2019, eu estava processando 47 mil registros de clientes lusófonos e um script de capitalização padrão errou systematicamente nomes compostos com partículas. O problema real veio com nomes como van Gogh, de la Cruz, al-Saud. Um regex bobo de "uppercase first letter" transformava "van Gogh" em "Van Gogh" e depois eu tinha duplicatas no banco: "van Gogh" e "Van Gogh" como entidades diferentes. Levei seis horas só para corrigir. A workaround foi criar uma tabela de exclusão com partículas prepositivas (van, de, la, al, el, von, del) e aplicar capitalização condicional: só maiúscula no primeiro nome se a partícula não estiver no início absoluto.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Nomes próprios com acentos e caracteres especiais
Nápoles e Ôlinda exigem atenção aos diacríticos. Sistemas que normalizam para ASCII perdem distinções importantes. Meu conselho: nunca remova acentos antes de comparar ou indexar nomes próprios. Use colações Unicode (UCA) quando disponível. O PostgreSQL com extensão unaccent pode ajudar, mas apenas para busca aproximada, nunca para armazenamento.
Topônimos e a armadilha do plural
EUA é abreviação, mas funciona como substantivo próprio. O plural é "os Estados Unidos da América". Sistema que trata como singular gera constrangimento em relatórios jurídicos. Outro caso: Marrocos não tem plural irregular, mas muitos tratadores automáticos adicionam "s" porque o padrão português pede. O resultado é "Marrocos" mesmo no plural, e isso precisa estar na sua base de regras.
Dica prática: normalização em lote com Python
Se você precisa tratar um arquivo CSV com nomes, use a biblioteca pynlprof combinada com uma lista manual de exceções. O processo leva cerca de 3 minutos para 50 mil registros em máquina padrão. Script simples de tokenização + lookup em dicionário de partículas + regra de capitalização condicional resolve 95% dos casos. Os 5% restantes são nomes que simplesmente não existem na sua lista e aí você precisa de revisão humana.
Quando não usar automatização
Se o seu corpus contém nomes indígenas, africanos ou de línguas não latinizadas, a normalização automática falha frequentemente. Nesse cenário, o recomendado é processo híbrido: automação para 80% dos casos e revisão manual para os outros 20%. Isso economiza tempo sem sacrificar precisão.
