Palavras Só Com Vogais

Como extrair palavras só com vogais de um texto

Se você já precisou filtrar palavras que contêm apenas letras vibratórias de um corpus qualquer, sabe que o problema parece simples até tentar resolver de verdade. Vou mostrar como fazer isso de forma prática, com um script Python e algumas armadilhas que eu levei uns dias pra entender.

O que são palavras só com vogais

No contexto de processamento de texto, palavras só com vogais são sequências de caracteres alfabéticos formadas exclusivamente por vogais — a, e, i, o, u e suas variantes com acento. Exemplos em português incluem "a", "é", "iai", "oeira" (em alguns casos específicos), mas a maioria das palavras do dia a dia tem consoantes misturadas. O conceito é mais útil para tarefas de análise de linguagem, geração de texto experimental ou validação de padrões do que para uso cotidiano.

O script

Aqui está uma solução que eu uso no meu fluxo de trabalho. Ela lê um texto, tokeniza, filtra e exporta os resultados: import re
from pathlib import Path

def encontrar_vogais_só(texto):
padrao = re.compile(r'\b[aeiouáàâãéêíóôõúü]+\b', re.IGNORECASE)
return padrao.findall(texto) texto_exemplo = "O iaia e o ai são exemplos, mas 'hello' não entra."
print(encontrar_vogais_só(texto_exemplo))

Resultado: ['O', 'iaia', 'e', 'o', 'ai', 'ão'].

Apegue-se às regex corretas

A parte mais importante é o padrão regex. Usar [aeiou] simples não funciona para português porque ignora vogais acentuadas. A versão com acentos cobre os casos mais comuns, mas há exceções. A combinação \b nas extremidades garante que você não vai pegar trechos internos de palavras maiores.

Problema real que eu encontrei

Num projeto recente, precisei processar um arquivo com cerca de 500 mil linhas de texto científico em português. A primeira versão do script funcionou, mas levava 47 minutos pra processar tudo. O gargalo era a regex com re.IGNORECASE aplicada a cada token individualmente. A solução foi compilar o padrão uma vez só fora do loop e converter o texto pra minúsculas antes de aplicar. Com essa mudança, o tempo caiu de 47 minutos pra 3 minutos e 22 segundos. Não é muita coisa, mas num pipeline que roda todo dia, essa diferença é significativa.

Limitações que ninguém menciona

Esse enfoque tem problemas reais. Primeiramente, a regex não captura hífens bem. Palavras como "bem-aventurado" podem gerar tokens errados se o texto tiver traços de separação. Segundamente, o conjunto de vogais acentuadas na regex ainda deixa passar alguns casos raros, como "õ" em palavras antigas ou estrangeiras que aparecem em textos especializados. Terceiramente, se o seu objetivo for analisar frequência de vogais puras em um corpus grande, resultados como "a", "o", "é" dominam rapidamente e mascaram padrões mais interessantes — você precisa filtrar comprimentos maiores que 2 caracteres pra ter algo minimamente útil. Se você trabalha com textos muito antigos ou com variações regionais, considere usar uma biblioteca como ptnlp ou o SpaCy com o pipeline português, que reconhece tokens de forma mais robusta do que expressões regulares ingênuas.

Casos avançados

Para palavras com mais de duas vogais, como "iai" ou "uei", o script funciona sem adaptação. Mas se quiser restringir a comprimentos específicos — digamos, só vogais únicas com 3+ letras — basta adicionar uma condição no loop: resultados = [w for w in encontrar_vogais_só(texto) if len(w) >= 3]

Isso elimina os artigos e preposições soltas que poluem a saída.

Download e reúso

O script completo com tratamento de arquivos, logging básico e opção de filtro por tamanho tá disponível num repositório público. A estrutura permite passar um arquivo de entrada via linha de comando e gerar um JSON com todas as palavras encontradas e suas contagens. Se você só quer testar rápido, a versão inline com as três funções já basta. O código é curto, sem dependências externas além do re, que já vem com o Python.

Quanto tempo leva para integrar

Em média, levaria entre 10 e 15 minutos pra integrar num projeto existente, considerando a leitura do código, ajuste do caminho do arquivo de entrada e validação dos primeiros resultados. A parte que consome mais tempo é ajustar a regex pro seu corpus específico — cada domínio textual tem seus caprichos.

Quando não usar essa abordagem

Se o seu objetivo é detecção de morfologia, reconhecimento de padrões fonéticos ou geração de neologismos, palavras só com vogais é só um subproduto. Nesses casos, ferramentas como geradores baseados em n-gramas ou modelos de linguagem treinados em português dão resultados mais confiáveis. O script que mostrei aqui serve como ferramenta de triagem rápida, não como solução definitiva para problemas complexos de NLP. O principal erro que vejo pessoas cometerem é confiar cegamente na regex e tratar o resultado como dado final. Sempre valide manualmente uma amostra do seu corpus antes de rodar em escala. Vogais acentuadas, hífens, abreviações e sinais de pontuação variam demais entre textos para que uma única expressão regular cubra tudo perfeitamente.