Entrar Ainda não tem acesso?
1
resposta

[Reclamação] Má identificação de tags

Referente ao curso NLP: regex e modelos de linguagem, no capítulo Regex em Python e atividade Utilizando Regex em Python

por Miguel Sarraf Ferreira Santucci
| 145.3k xp | 5 posts
Analista de Dados Pleno

A solução para identificação de tags está errada!

O instrutor comenta durante o vídeo que criou a REGEX para aceitar, conscientemente, cadeias "<>" como válidas, mas isso não é correto.

Primeiramente, a linguagem HTML não contém nenhuma tag vazia, por definição. Isso, por si só, seria impeditivo para a solução apresentada.

Além disso, existem linguagens de programação (e.g. SQL) que utilizam o símbolo "<>" como operador "diferente". Identificar esse operador como uma tag pode ocasionar problemas sérios na análise e pré-processamento do texto. Isso se torna ainda mais grave pelo fato do dataset sendo utilizado ser do StackOverflow.

Uma REGEX correta para esse cenário seria:

<\/?\w+>
1 resposta
por Larissa Dubiella
| 1333.7k xp | 2813 posts
Alura Scuba Team Monitora Escola Semente | Fórum Ops

Oi, Miguel. Como vai?

Entendo sua colocação! De fato, a expressão fornecida por você lida com tags HTML de forma muito mais específica. O requerimento de que a barra (/) seja opcional e limitar a quantidade de caracteres na tag é muito assertiva em relação aos formatos de tag HTML. Agradeço por trazer suas preocupações à nossa atenção. Os pontos que você trouxe são muito importantes e contribuem para a melhoria contínua de nosso conteúdo.

A expressão construída no curso, r"<.*?>", é muito menos específica, e poderia lidar melhor com casos em que, por exemplo, o HTML não está bem estruturado e falta em previsibilidade.

Agradeço novamente por compartilhar suas observações conosco, Miguel. Fico à disposição.

Abraços!