Como encontrar frases com a palavra coelho em um corpus de texto
Muitas pessoas precisam extrair trechos específicos de um texto grande para análise ou pesquisa. O caso mais simples envolve localizar frases que contenham uma palavra-chave específica. Vou explicar como fazer isso de forma prática, mostrando os detalhes que a maioria dos tutoriais ignora.
O que é uma frase com a palavra coelho na prática
Uma frase com a palavra coelho é simplesmente qualquer sequência de caracteres delimitada por ponto final, ponto de interrogação ou ponto de exclamação que contenha a palavra "coelho". Parece óbvio, mas é aqui que muita gente erra. A primeira coisa que todo mundo tenta fazer é rodar um split no texto inteiro por esses delimitadores e depois filtrar. Isso funciona em textos curtos, mas começa a falhar rapidamente em documentos reais. O problema que eu encontrei na prática veio de um corpus jurídico que continha abreviações como "Dr.", "Sr." e "Exma.". O split por ponto final quebrava tudo errado, gerando trechos incompletos e frases que não faziam sentido. A solução foi usar uma biblioteca de sentence splitting como o NLTK ou o spaCy em vez de split manual.
Implementação básica em Python
Se você tem um texto simples, um script rápido resolve em poucos minutos. Aqui está um exemplo funcional: import re
texto = "O coelho branco correu pelo jardim. Ele encontrou uma cenoura enorme perto da toca.
Coelhos são animais herbívoros."
frases = re.split(r'(?<=[.!?])\s+', texto)
frases_com_coelho = [f.strip() for f in frases if re.search(r'\bcoelho\b', f, re.IGNORECASE)]
print(frases_com_coelho)
Este código retorna as duas frases que contêm a palavra "coelho". O regex \bcoelho\b usa word boundaries para evitar matches parciais como "coelhinha" ou "coelhadas". Se você precisar que essas variantes também sejam capturadas, remova o \b e use apenas "coelho".
Dicas que ninguém conta
O primeiro detalhe importante é o comportamento do word boundary em português. Letras acentuadas causam problemas. "\b" reconhece "coelho" em "coelho", mas pode falhar em contextos onde a palavra é seguida por vírgula ou travessão em certos casos de encoding. Se estiver trabalhando com textos brasileiros, adicione um check de encoding UTF-8 antes de processar. A maioria dos dados que chegam da internet vem como ISO-8859-1 ou ASCII mal tratado. Outro ponto que gera dor de cabeça é a consistência do delimitador. Frases podem terminar com "...", "?!" ou ";" em textos literários e jornalísticos. O regex acima só considera os três delimitadores básicos. Para cobrir elipses, você pode ampliar para: r'(?<=[.!?…])\s+'. O caractere "…" (U+2026) precisa estar incluído explicitamente.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Se o seu texto for muito grande — digamos, mais de 500 MB — carregar tudo na memória de uma vez vai travar máquinas comuns. Nesse caso, processe linha por linha usando generator em Python, ou use ferramentas como grep combinado com awk. Um comando simples como grep -i "coelho" pode extrair todas as linhas relevantes em segundos, independente do tamanho do arquivo.
Limitações e onde isso falha
Este método assume que o texto já está pré-processado e tokenizado corretamente. Se você tiver tabelas, códigos-fonte embutidos, notas de rodapé ou citações com quebras de linha artificiais, o resultado será imprevisível. A técnica também não diferencia contexto. Uma frase como "Isso é um coelho de abril" será capturada junto com "O coelho migrou para o sul", mesmo que o significado seja completamente diferente. Para filtros semânticos, seria necessário um modelo de linguagem ou pelo menos um analisador sintático. Se o seu objetivo é apenas encontrar ocorrências sem precisar das frases completas, considere usar ferramentas especializadas como AntConc ou Sketch Engine, que fazem análise concordancial profissional e lidam com todos esses problemas de forma automatizada. O script Python abaixo serve para projetos pequenos e rápidos, mas não escala bem para corpora grandes ou análises acadêmicas sérias.
Abaixo segue um link para um repositório com o código completo, incluindo tratamento de encoding, suport para elipses e processamento em modo streaming para arquivos grandes: GitHub - extrator de frases com a palavra coelho
Exemplo avançado com spaCy
Para quem precisa de precisão maior no split de frases, o spaCy é mais confiável que o regex sozinho. Ele usa um modelo treinado para reconhecimento de limites de sentença em português: import spacy
nlp = spacy.load("pt_core_news_sm")
doc = nlp(texto)
frases_com_coelho = [str(s).strip() for s in doc.sents if "coelho" in [token.text.lower() for token in s]]
Este enfoque é mais lento e exige a instalação do modelo linguístico, mas lida bem com abreviações e casos ambíguos que quebram a abordagem baseada apenas em regex. O trade-off é entre velocidade e precisão. Para a maioria dos usos cotidianos, o regex simples basta. Quando o corpus começa a apresentar erros de segmentação frequentes, aí vale a pena migrar para o spaCy.
