Fiz alguns testes e cheguei a isso:
Processo.+?((?=\\n?Processo)|(?>\\d{4}$))
Em Java eu compilei esse pattern com a flag Pattern.DOTALL, assim:
String regex = "Processo.+?((?=\\n?Processo)|(?>\\d{4}$))";
Pattern pattern = Pattern.compile(regex, Pattern.DOTALL);
Normalmente .+ não reconhece caracteres de nova linha e afins, mas quando você usa esta flag o “.” passa a reconhecer TUDO.
Como funciona
A parte Processo.+? é uma versão modificada de Processo.+. Imagine que você tem o seguinte texto:
Processo abc X Processo abc X
E a seguinte expressão:
Processo.+X
O resultado será desde a palavra “Processo” até a última ocorrência de “X”. Mas se acrescentarmos o ‘?’ (assim: Processo.+?X), o resultado será apenas até a primeira ocorrência de “X”. Ou seja:
Processo.+X Processo abc X Processo abc X
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
Processo.+?X Processo abc X Processo abc X
^^^^^^^^^^^^^^
Faça o teste:
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class Test {
static Matcher result1, result2;
public static void main(String[] args) {
String text = "Processo abc X Processo abc X";
result1 = Pattern.compile("Processo.+X").matcher(text);
result2 = Pattern.compile("Processo.+?X").matcher(text);
result1.find();
result2.find();
System.out.println(result1.group());
System.out.println(result2.group());
}
}
Em seguida nós temos a expressão (?=\\n?Processo) que significa:
Até encontrar a palavra “Processo” (precedida por 0 ou 1 nova linha), mas sem incluí-la no resultado.
Isto já é o suficiente para conseguirmos extrair desde o primeiro até o penúltimo paragrafo do seu texto, mas ele falha por não conseguir retornar o último paragrafo (pois o último não é sucedido por mais nenhuma palavra).
Por isso temos a próxima expressão (?>\\d{4}$), que significa:
Até o final do texto, desde que o texto termine com 4 digitos consecutivos.
Em resumo, eu quero tudo, desde uma palavra “Processo” até o início de outra palavra “Processo” OU até o final do texto desde que termine com 4 digitos!
Por isso eu fiz assim ((?=\\n?Processo)|(?>\\d{4}$)) o ‘|’ representa o “OU” da frase acima.
Você poderia ser mais específico e substituir (?>\\d{4}$) por (?>\\d{2}/\\d{2}/\\d{4}$), fica a seu critério.
Bom, não sei se tem certeza de que o texto sempre será formatado da forma como mostrou ou se ele pode variar, de qualquer forma imaginei que não temos controle sobre a formatação dele, logo, tal texto poderia ser servido com cada processo em sua própria linha, assim:
Processo 001 Incluído em pauta para 01/03/2016, às 08:30. Ficam cientes os advogados de que a intimação do acórdão dar-se-á na própria sessão de julgamento, nos termos do art 47 do regimento Interno da Turma Recursal. 02/03/2015
Processo 002 Incluído em pauta para 01/03/2016, às 08:30. Ficam cientes os advogados de que a intimação do acórdão dar-se-á na própria sessão de julgamento, nos termos do art 47 do regimento Interno da Turma Recursal. 02/03/2015
Ou tudo numa linha só:
Processo 001 Incluído em pauta para 01/03/2016, às 08:30. Ficam cientes os advogados de que a intimação do acórdão dar-se-á na própria sessão de julgamento, nos termos do art 47 do regimento Interno da Turma Recursal. 02/03/2015 Processo 002 Incluído em pauta para 01/03/2016, às 08:30. Ficam cientes os advogados de que a intimação do acórdão dar-se-á na própria sessão de julgamento, nos termos do art 47 do regimento Interno da Turma Recursal. 02/03/2015
De qualquer forma a expressão que apresentei lida bem com essas situações.
Para essa resposta eu usei como referência a documentação das seguintes classes do Java:
Pattern
Matcher
E também me baseei bastante nesta resposta do Stackoverflow.
E usei este código para realizar os testes:
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class Test {
static private String regex = "Processo.+?((?=\\n?Processo)|(?>\\d{4}$))";
static private String originalText =
"Processo 001\n"
+ "Incluido\n"
+ "em pauta para 01/03/2016, às 08:30. Ficam cientes\n"
+ "os advogados de que a intimação do acórdão\n"
+ "dar-se-á na própria sessão de julgamento, nos termos\n"
+ "do art 47 do regimento Interno da Turma Recursal.\n"
+ "02/03/2016\n"
+ "Processo 002\n"
+ "Incluído em pauta para 01/03/2016, às 08:30. Ficam\n"
+ "cientes os advogados de que a intimação do acórdão\n"
+ "dar-se-á na própria sessão de julgamento, nos termos\n"
+ "do art 47 do regimento Interno da Turma Recursal.\n"
+ "02/03/2015";
static private String eachProcessInOwnLine =
"Processo 001 Incluído em pauta para 01/03/2016, às 08:30. Ficam cientes os advogados de que a intimação do acórdão dar-se-á na própria sessão de julgamento, nos termos do art 47 do regimento Interno da Turma Recursal. 02/03/2015"
+ "Processo 002 Incluído em pauta para 01/03/2016, às 08:30. Ficam cientes os advogados de que a intimação do acórdão dar-se-á na própria sessão de julgamento, nos termos do art 47 do regimento Interno da Turma Recursal. 02/03/2016";
static private String allInOneLine = "Processo 001 Incluído em pauta para 01/03/2016, às 08:30. Ficam cientes os advogados de que a intimação do acórdão dar-se-á na própria sessão de julgamento, nos termos do art 47 do regimento Interno da Turma Recursal. 02/03/2015 Processo 002 Incluído em pauta para 01/03/2016, às 08:30. Ficam cientes os advogados de que a intimação do acórdão dar-se-á na própria sessão de julgamento, nos termos do art 47 do regimento Interno da Turma Recursal. 02/03/2015";
private static void printMatches(Matcher matcher) {
for (int count = 1; matcher.find(); count++) {
System.out.println("PARÁGRAFO EXTRAÍDO >>> " + count);
System.out.println(matcher.group());
System.out.println();
}
}
public static void main(String[] args) {
Pattern pattern = Pattern.compile(regex, Pattern.DOTALL);
System.out.println("### Imprimindo resultado com o texto original");
printMatches(pattern.matcher(originalText));
System.out.println("### Imprimindo resultado com o texto onde cada processo tem sua própria linha");
printMatches(pattern.matcher(eachProcessInOwnLine));
System.out.println("### Imprimindo resultado onde o texto reúne toda informação em apenas uma linha");
printMatches(pattern.matcher(allInOneLine));
}
}