Trabalhando com números escritos de formas diferentes em textos
Você já tentou extrair dados numéricos de um documento onde uns estão digitados como algarismos, outros por extenso, e ainda tem abreviações misturadas? A maioria dos filtros simples falha porque não reconhece "vinho tinto", "quarenta litros" ou "30 dias" como equivalentes. Eu passei semanas corrigindo extrações automatizadas que pegavam apenas os dígitos e perdiam metade da informação relevante. O problema central é que números em texto aparecem em formatos híbridos. Um relatório pode conter "15 unidades", "quinze metros", "1.500 kg", "um mil e quinhentos", e cada um desses representa o mesmo conceito quantificado, mas com grafias completamente distintas. Tentar capturar tudo com uma única regex é pedir para passar vergonha.
Formatos encontrados em texto que contenham numeros escritos de diferentes formas
Nos meus arquivos, encontrei pelo menos sete variações para o mesmo número. Há os óbvi os: algarismos arábicos ("42"), por extenso em português ("quarenta e dois"), abreviações ("42u"), notação técnica ("4,2e1"), horas ("14h30"), datas ("15/03") e formas obsoletas que ainda aparecem em documentos antigos ("XLII"). Cada formato exige tratamento diferente. A regra prática mais importante é não confiar em uma única abordagem. Um filtro por dígitos pega "42" e "15/03", mas perde "quinze". Um dicionário de palavras pega "quarenta e dois" mas falha em "4.500". A solução funciona quando você combina as duas camadas com um validador intermediário que resolve ambiguidades.
No meu caso, o problema crítico foi com valores monetários. "Cinquenta reais", "R$ 50,00", "50,00", "Cinquenta e zero-centavos" — todos legítimos, todos aparecendo no mesmo documento. Meu workaround foi criar uma tabela de mapeamento reversa: primeiro extraía todas as ocorrências potenciais com múltiplas regexs, depois normalizava para um formato único usando um dicionário de sinônimos numéricos e, finalmente, validava com uma função que verificava se o valor estava dentro do intervalo esperado para aquele campo. Isso reduziu minha taxa de erros de 40% para menos de 2%. O tempo de processamento aumentou cerca de 30%, mas a qualidade dos dados extraídos compensou amplamente.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Abordagem prática em etapas
O primeiro passo é definir quais formatos você precisa suportar. Não tente abranger todos de uma vez — comece com os cinco mais frequentes no seu corpus. No meu trabalho com contratos, os principais eram: algarismos puros, extenso simples, valores com cifrão, porcentagens e datas. Depois, construa um pipeline de três fases. Na fase um, capture todos os candidatos usando expressões regulares específicas por formato. Use grupos nomeados para identificar qual formato cada match pertence. Na fase dois, normalize cada candidato para um formato canônico — converter "quinze" para "15", "R$ 1.500,00" para "1500.00", "15%" para "0.15". Na fase três, valide contra regras de negócio: um valor monetário não pode ser negativo, uma data não pode ter mês maior que 12, uma porcentagem não pode ultrapassar 100 sem justificativa.
O pulo do gato está na fase de normalização. Um dicionário de conversão texto-para-número em português cobre as bases, mas precisa lidar com exceções. "Meio", "metade", "½" — todos significam 0.5. "Dúzia", "quarterão", "par" têm valores fixos contextual. Eu mantive uma tabela JSON com 200 entradas cobrindo as variações mais comuns e suplementei com gramática numérica básica para casos fora do dicionário. Uma limitação honesta deste método é que ele quebra em contextos ambíguos. "Trinta e dois" pode ser número ou parte de um nome próprio. "Primeiro" pode ser ordinal ou numeral cardinal. Quando isso acontece, a validação heurística salva — se o campo é "idade", qualquer valor entre 0 e 150 é plausível; se o campo é " ranked match", apenas ordinais fazem sentido. Mas em documentos mal estruturados, a ambiguidade permanece e um humano precisa revisar manualmente, algo que eu encontrei em cerca de 8% dos casos.
Pegadinhas avançadas
Uma coisa que aprendi na prática e que raramente aparece em tutoriais é a questão dos separadores decimais. Em português, usamos vírgula para decimais e ponto para milhares: "1.500,75". Mas sistemas internacionais frequentemente invertim isso, gerando "1,500.75" ou "1500.75". Quando você normaliza, precisa decidir qual convenção adota e aplicar consistentemente. Escolhi a notação portuguesa como padrão interno e converti todas as entradas para esse formato antes de qualquer cálculo. Outra armadilha são os numerais romanos. Eles aparecem em contextos específicos: capítulos ("Capítulo XXII"), sucessões reinantes ("Luís XIV"), Rodas do Relógio ("XII"), e contagens organizacionais ("Século VIII"). Uma regex genérica os captura, mas um dicionário de conversão precisa lidar com regras específicas — IV é 4, XL é 40, CM é 900. Eu usei uma função iterativa simples que soma valores decrescentes e subtrai quando encontra um valor menor precedendo um maior, com tratamento especial para os casos de subtração padrão (IV, IX, XL, XC, CD, CM).
Se você trabalha com documentos antigos ou traduções, saiba que esta abordagem simplesmente não funciona bem para numerais em outras línguas sem adaptações. Francês tem "quatre-vingt-dix" para 90, holandês tem constructos ainda mais complexos. Nesses casos, o investimento em um motor de compreensão numérica multilíngue, como o que bibliotecas como num2words ou numeral fornecem, é inevitável. O tempo economizado na manutenção compensa o custo inicial de integração. Na prática, este pipeline trata tipicamente entre 92% e 96% dos números encontrados em documentos corporativos brasileiros, dependendo da qualidade da digitação original. Para textos manuscritos digitalizados ou com erros de OCR frequentes, a taxa cai para cerca de 70%, e aí uma intervenção humana se torna parte do processo, não uma exceção.
