Handlei nomes compostos raros de muitas formas ao longo dos anos
O problema é mais comum do que parece em bases legadas. Quando você tem um campo de nome que mistura estruturas como "Da-Silva-Perdigão", "De-Luccas-Oliva", ou algo como "Al-Maktoum-Bani-Fahim", os validadores simples quebram. Eu precisei lidar com isso num sistema de migração de cadastro nacional onde aproximadamente 7% dos registros tinham pelo menos um separador atípico no sobrenome composto.
Por que nomes compostos raros são difíceis de processar
A dificuldade principal não é identificar o nome em si. É que diferentes padrões de segmentação produzem resultados inconsistentes quando aplicados pelo mesmo algoritmo. Um regex que captura hífen como delimitador vai falhar com nomes que usam espaço duplo, apóstrofo, acento agudo colado, ou caracteres latinos estendidos como "æ" ou "Œ". O problema também aparece quando o sistema espera exatamente duas partes (nome + sobrenome) e o registro tem cinco. Num projeto de 2023, migrei cerca de 40 mil registros de uma base MySQL antiga para uma nova infraestrutura PostgreSQL. Os nomes compostos raros apareceram como o principal gargalo na validação de integridade referencial. O meu workaround foi criar uma camada intermediária de normalização que processa o nome bruto antes de qualquer validação estrutural.
O método que funcionou na prática
A abordagem que adotei segue três etapas claras. Primeiro, normalização Unicode com NFKC. Isso padroniza caracteres que visualmente são idênticos mas têm codificação diferente. Segundo, segmentação por delimitadores conhecidos: hífen, espaço, apóstrofo, barra e vírgula. Terceiro, validação individual de cada segmento contra um lexicão de sufixos e partículas comuns.
import unicodedata
import re
PARTÍCULAS_COMUNS = {
'da', 'das', 'de', 'do', 'dos', 'el', 'la', 'von', 'van',
'der', 'den', 'dem', 'des', 'al', 'bin', 'bani', 'ben',
'di', 'da', 'iel', 'iz', 'y', 'ibne', 'ibn'
}
def normalizar_nome(raw: str) -> dict:
cleaned = unicodedata.normalize('NFKC', raw.strip())
cleaned = re.sub(r'[^\w\s\-\'\/]', '', cleaned)
parts = re.split(r'[\s\-\'\/]+', cleaned)
parts = [p for p in parts if p]
first_name = ''
last_name = ''
particles_found = []
for part in parts:
lower = part.lower()
if lower in PARTÍCULAS_COMUNS:
particles_found.append(part)
elif not first_name:
first_name = part
else:
last_name = f'{last_name} {part}'.strip()
return {
'first': first_name,
'last': last_name,
'particles': particles_found,
'original': raw,
'confidence': 'high' if len(parts) = 6 else 'low'
}O código acima é uma base, não uma solução completa. Ele funciona bem para a maioria dos casos, mas tem limitações importantes que preciso deixar claras.
Limitações reais que ninguém menciona
O maior problema é que esse método falha completamente com nomes de culturas que não utilizam a estrutura primeiro-último-predominante no Ocidente. Nomes japoneses, coreanos, e muitos nomes árabes com estrutura de relação genealógica (como "Abdullah ibn Abdulaziz ibn Mohammed al-Saud") vão ter a segmentação completamente errada. O código acima vai tratar "al-Saud" como partícula quando na verdade é o sobrenome da família real. Outro ponto: a confiança automática baseada no número de partes é ingênua. Um nome português padrão como "Maria da Conceição Ferreira dos Santos" tem seis partes e recebe confiança "low", enquanto "Jean-Paul Sartre" tem três partes e recebe "high". O oposto do esperado. Ajustei isso posteriormente adicionando regras específicas por origin/regex-pattern para cada padrão cultural identificado nos dados.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A melhor alternativa quando o cenário envolve diversidade multicultural significativa é não tentar adivinhar a estrutura. Em vez disso, fazer parsing conservador: manter o nome original intacto e apenas aplicar transcodificação segura. A validade jurídica muitas vezes exige que o nome apareça exatamente como registrado, o que elimina qualquer esperança de normalização estrutural sem consulta humana.
O case específico que mudou minha abordagem
Encontrei um registro com o nome "O\'Brien-de-la-Crua-y-Alcántara" que quebrou meu parser inicial em três lugares diferentes. O apóstrofo no "O'Brien" era uma aspa simplesingle-quote) embutida num nome composto por hífen. Meu regex de split por apóstrofo separou "O" de "Brien", e depois a segmentação por hífen criou oito tokens onde cinco eram fragmentos inválidos. A correção foi mais simples do que eu esperava. Antes do split, substituir apóstrofes internos por hífen quando o padrão for letra + apóstrofo + letra, que é a assinatura clássica de nomes irlandeses. Depois fazer o split normal. O resultado final para esse registro foi: ["OBrien-de-la-Crua-y-Alcántara"], mantendo a integridade do sobrenome composto integral.
Fix para apóstrofos em nomes compostos
cleaned = re.sub(r'([a-zA-Z])\'([a-zA-Z])', r'\1-\2', cleaned)Esse tipo de Edge-case aparece com frequência em bases de dados alimentadas por importação manual ou OCR de documentos escaneados. Relatórios de casamento, certidões de nascimento antigas, e documentação colonial produzem variabilidades enormes na grafia de nomes compostos.
Quando não usar essa técnica
Se o seu objetivo é apenas exibir nomes em uma interface, a normalização agressiva pode causar problemas de usabilidade e até disputas legais. Nomes compostos raros carregam identidade cultural e familiar. Transformar "FitzRoy-Charles-Windsor" em "Fitzroy charles windsor" com lowercase automático e remoção de hifens não é apenas feio, é potencialmente discriminatório. O uso recomendado dessa técnica é em processos internos de deduplicação, busca fuzzy, e validação de formato. Sempre preserve a forma original junto com a versão normalizada. Armazene ambos os campos. O custo adicional de duas colunas é irrelevante comparado ao prejuízo de perder a forma canônica do nome.
Recursos práticos
Para quem precisa processar nomes compostos raros em escala, recomendo começar com a biblioteca nameparser do Python como base e estender com listas personalizadas de partículas. Ela já lida com partículas em múltiplas línguas e permite subclassificação. Se precisar de cobertura internacional mais ampla, existe também o módulo babel para normalização de nomes por localidade, embora ele cubra principalmente formatação de exibição e não parsing estrutural. A instalação é direta. O núcleo da biblioteca está disponível via pip e a documentação de customização de partículas não é extensa mas cobre os cenários mais comuns. Para nomes compostos raros especificamente, o trabalho fica em construir a lista de partículas e regras de exceção para o seu domínio de dados.
