Skip to content

Maxwbh/FoneticaBR

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

18 Commits
.gitignore
.gitignore
 
 
PKG_UTIL_BODY.sql
PKG_UTIL_BODY.sql
 
 
PKG_UTIL_SPEC.sql
PKG_UTIL_SPEC.sql
 
 
README.md
README.md
 
 
RELEASE_NOTES_v2.0.md
RELEASE_NOTES_v2.0.md
 
 
Script_Teste.sql
Script_Teste.sql
 
 

Repository files navigation

FoneticaBR

Oracle PL/SQL Licença Versão pt-BR

Pesquisa Fonética para o padrão Brasileiro - PL/SQL (Oracle Database).

Esta função retorna uma string fonética de um texto passado como parâmetro, podendo ser utilizada para a busca de nomes com sonoridades próximas, totalmente voltada para o português brasileiro (pt-BR).

SELECT pkg_util.foneticabr('JOAO DA SILVA') FROM DUAL;
-- Resultado: JO DA SIRVA

Sumário

Objetivo

Prover uma função PL/SQL capaz de gerar códigos fonéticos para textos em português brasileiro, permitindo:

  • Busca por nomes com grafias diferentes mas pronúncia semelhante (ex: Rafael / Raphael)
  • Comparação fonética entre palavras (ex: Cecília / Sesília)
  • Indexação fonética em bases de dados Oracle para consultas fuzzy

O algoritmo SOUNDEX, registrado por Robert Russell e Margaret Odell em 1918 nos Estados Unidos, foi concebido para a língua inglesa e não atende adequadamente as particularidades do português brasileiro. O FoneticaBR foi desenvolvido como alternativa específica para o pt-BR.

Metodologia

Fundamentação Linguística

O projeto tem como base a fonologia do português brasileiro, com referência principal na obra de Leda Bisol (1996) - "Introdução a estudos de fonologia do português brasileiro", que cataloga os fonemas e processos fonológicos do idioma.

A língua portuguesa apresenta desafios específicos para algoritmos fonéticos:

Desafio Exemplo Explicação
Uma letra com múltiplos fonemas X "exame" (som de Z), "táxi" (som de KS), "enxame" (som de CH)
Múltiplas letras com mesmo fonema S, SS, C, Ç Todos produzem o som /s/ em contextos específicos
Dígrafos consonantais LH, NH, CH, QU, GU Duas letras representando um único som
Dígrafos com letra muda SCE, SCI, QUE, QUI O C em "nascer" e o U em "queijo" são silenciosos
Letras estrangeiras W, Y, K Usadas em nomes próprios e estrangeirismos
Consoantes finais mudas S, Z, R, M, N, L Frequentemente ignoradas ou alteradas na fala

Algoritmos de Referência

O FoneticaBR foi desenvolvido e aprimorado com base no estudo comparativo dos seguintes algoritmos:

Algoritmo Autor(es) Ano Linguagem Referência
SOUNDEX Robert Russell, Margaret Odell 1918 - Patente US 1261167 (inglês)
BuscaBR Fred Jorge; Marcos Rodrigues; Gabriel Sobrinho 2007-2011 PL/SQL linhadecodigo.com.br
Metaphone-ptBR Carlos Jordão - PHP/Python github.com/carlosjordao/metaphone-ptbr
MTFN Ruliana - Ruby github.com/ruliana/MTFN
Fonetização InCor/USP Instituto do Coração - FMUSP - Java devmedia.com.br
FoneticaBR (este projeto) Maxwell Oliveira 2019 PL/SQL github.com/Maxwbh/FoneticaBR

Abordagem do FoneticaBR

O FoneticaBR adota uma abordagem distinta dos demais algoritmos:

Característica FoneticaBR BuscaBR Metaphone-ptBR
Preserva vogais Sim Não (elimina) Não (elimina)
Linguagem nativa PL/SQL PL/SQL PHP/Python
Legibilidade do resultado Alta Baixa Baixa
Regras fonéticas 51 ~30 ~40
Contexto de posição Não Não Sim (parcial)

Escolha de preservar vogais: enquanto BuscaBR e Metaphone-ptBR eliminam todas as vogais para gerar códigos compactos, o FoneticaBR as preserva, resultando em saídas mais legíveis e adequadas para nomes brasileiros com alta incidência de vogais.

Exemplo comparativo:

Entrada:     "JOAO DA SILVA E OLIVEIRA"
FoneticaBR:  "JO DA SIRVA E ORIVEIRA"    (legível)
BuscaBR:     "J D SRV ORVR"              (compacto)

Arquitetura

O projeto é implementado como um Oracle PL/SQL Package (PKG_UTIL) com duas funções:

PKG_UTIL
  |-- normalize(str1)     -- Função interna: normalização de caracteres
  |-- foneticabr(str1)    -- Função pública: conversão fonética

Função normalize

Propósito: Preparar o texto de entrada removendo acentos, caracteres especiais e padronizando a caixa.

Etapas:

  1. Converte para maiúsculas (UPPER)
  2. Substitui caracteres acentuados por seus equivalentes ASCII (30 mapeamentos)
  3. Remove espaços duplicados
  4. Remove caracteres inválidos via regex, mantendo: A-Z, 0-9, Ç, &, @, _, espaço, +, -

Mapeamento de caracteres acentuados:

Caractere Chr Substituto Caractere Chr Substituto
À (grave) 192 A Î (circ.) 206 I
Æ (lig.) 198 A Ï (trema) 207 I
ß (lig.) 223 B Ð (ETH) 208 D
Á (agudo) 193 A Ñ (til) 209 N
 (circ.) 194 A Ò (grave) 210 O
à (til) 195 A Ó (agudo) 211 O
Ä (trema) 196 A Ô (circ.) 212 O
Å (anel) 197 A Õ (til) 213 O
È (grave) 200 E Ö (trema) 214 O
É (agudo) 201 E Ø (barra) 216 O
Ê (circ.) 202 E Ù (grave) 217 U
Ë (trema) 203 E Ú (agudo) 218 U
Ì (grave) 204 I Û (circ.) 219 U
Í (agudo) 205 I Ü (trema) 220 U
Ý (agudo) 221 Y

Nota: O caractere Ç (chr 199) não é normalizado nesta etapa. Ele é preservado para ser tratado pela regra Ç -> S na função foneticabr.

Função foneticabr

Propósito: Converter o texto normalizado em sua representação fonética brasileira.

Etapas:

  1. Chama normalize() para limpar a entrada
  2. Aplica 51 regras de substituição fonética (ver tabela abaixo)
  3. Elimina consoantes finais de palavra: S, Z, R, M, N, AO, L
  4. Remove todas as ocorrências da letra H
  5. Reduz letras consecutivas duplicadas (ex: SS -> S, RR -> R, AAA -> A)

Tabela Completa de Regras Fonéticas

As 51 regras são aplicadas na ordem listada. A ordenação é crítica — regras de padrões mais longos (multi-caractere) devem preceder padrões mais curtos para evitar conflitos.

Encontros Consonantais com B

# De Para Exemplo Resultado
1 BL B BLUSA BUSA
2 BR B BRASIL BASIR

Cedilha

# De Para Fonte Exemplo Resultado
3 Ç S Fonologia pt-BR AÇÚCAR ASÚKAR

Regras com C

# De Para Exemplo Resultado
4 CHR KR CHRISTIANO KRISTIANO
5 CA K CARLOS KARROS
6 SCE SE NASCER NASER
7 SCI SI DESCIDA DESIDA
8 CE S CESAR SESAR
9 CH S CHAVE SAVE
10 CI S CIDADE SIDADE
11 CK K BECKHAM BEKAM
12 CO K CORREA KOREA
13 CS S - -
14 CT T FACTO FATO
15 CU K CURITIBA KURITIBA
16 C K CARRO KARO

SCE/SCI (novas): Baseadas nos dígrafos do português onde SC antes de E/I tem som de /s/ (o C é silencioso). Fonte: ortografia da língua portuguesa, BuscaBR.

Regras com G

# De Para Exemplo Resultado
17 GE J GENTE JEMTE
18 GI J GIRAFA JIRAFA
19 GL G GLÓRIA GORIA
20 GM M DOGMA DOMA
21 GR G GRANDE GAMDE

Regras com L

# De Para Exemplo Resultado
22 LH L FILHO FILO
23 LT T ALTO ATO
24 L R SILVA SIRVA

Regras com M

# De Para Exemplo Resultado
25 MD M - -
26 MG G - -
27 MJ J - -

Regras com N

# De Para Exemplo Resultado
28 NG G ANGOLA AGORA
29 NH N NINHO NINO
30 NJ J NINJA MIJA
31 N M NOME MOME

Ordenação crítica: As regras NG, NH e NJ devem preceder N -> M para que os dígrafos sejam processados antes da substituição genérica.

Regras com P

# De Para Exemplo Resultado
32 PH F PHELIPE FERIPE
33 PR P PRETO PETO

Regras com Q

# De Para Fonte Exemplo Resultado
34 QUE KE Dígrafo pt-BR QUEIJO KEIJO
35 QUI KI Dígrafo pt-BR QUILOMBO KIROMBO
36 Q K - QUATRO KUATRO

QUE/QUI (novas): Na ortografia portuguesa, o U em QU antes de E/I é silencioso (dígrafo). "QUEIJO" soa como "KEIJO", não "KUEIJO". Fonte: fonologia da língua portuguesa, Metaphone-ptBR.

Regras com R

# De Para Exemplo Resultado
37 RG G - -
38 RJ J - -
39 RM M ARMANDO AMANDO
40 RS S - -
41 RT T PARTO PATO

RM -> M (corrigido): Anteriormente mapeava RM -> SM (incorreto). Corrigido para RM -> M conforme padrão BuscaBR.

Regras com S

# De Para Fonte Exemplo Resultado
42 SM M BuscaBR ESMERALDA EMERARDA
43 ST T - ESTRADA ETADA

SM -> M (nova): Regra presente no BuscaBR e ausente na versão original. Reduz SM ao som nasal M.

Regras com T

# De Para Fonte Exemplo Resultado
44 TH T BuscaBR/Metaphone THEATRO TEATRO
45 TL T - ATLAS ATAS
46 TR T - ESTRADA ETADA
47 TS S - - -

TH -> T (nova): Para palavras históricas e estrangeiras onde TH tem som de T em português (THEATRO, THOMAS, THIAGO). Fonte: BuscaBR, Metaphone-ptBR.

Letras Estrangeiras

# De Para Exemplo Resultado
48 W U WILSON UIRSON
49 X S XAVIER SAVIER
50 Y I YURI IURI
51 Z S FAZENDA FASENDA

Eliminação de Terminações

Após as substituições, são removidas as consoantes finais de cada palavra:

Terminação Exemplo Antes Depois
S CARLOS KAROS KARO
Z GONZALEZ GOMSARES GOMSARE
R NASCER NASER NASE
M ARMANDO - -
N - - -
AO JOAO JOAO JO
L BRASIL BASIR BASI

Pós-processamento

Etapa Descrição Exemplo
Remoção de H Remove todas as ocorrências de H BAHIA -> BAIA
Redução de duplicatas (.)\1+ -> \1 (regex) ANNA -> ANA, AAALPHA -> ALFA

Etapas do Algoritmo

Resumo sequencial de todas as etapas executadas pela função foneticabr:

ENTRADA: "João da Silva e Oliveira"
    |
    v
[1] UPPER()         -> "JOÃO DA SILVA E OLIVEIRA"
    |
[2] Remover acentos -> "JOAO DA SILVA E OLIVEIRA"
    (Ç preservado)
    |
[3] TRIM + espaços  -> "JOAO DA SILVA E OLIVEIRA"
    |
[4] Regex limpeza   -> "JOAO DA SILVA E OLIVEIRA"
    |
[5] 51 substituições fonéticas (em ordem)
    |                  L->R: SIRVA, ORIVEIRA
    v
    "JOAO DA SIRVA E ORIVEIRA"
    |
[6] Remover terminações (S,Z,R,M,N,AO,L)
    |                  AO final em JOAO -> JO
    v
    "JO DA SIRVA E ORIVEIRA"
    |
[7] Remover H        -> "JO DA SIRVA E ORIVEIRA"
    |
[8] Remover duplicatas -> "JO DA SIRVA E ORIVEIRA"
    |
    v
SAÍDA: "JO DA SIRVA E ORIVEIRA"

Instalação

Pré-requisitos

  • Oracle Database 9i ou superior
  • Acesso para criar packages no schema desejado

Passos

  1. Execute o script de especificação do package:
@PKG_UTIL_SPEC.sql
  1. Execute o script do corpo do package:
@PKG_UTIL_BODY.sql
  1. Verifique a compilação:
SELECT object_name, status
FROM user_objects
WHERE object_name = 'PKG_UTIL'
  AND object_type = 'PACKAGE BODY';

O status deve retornar VALID.

Utilização

Chamada básica

SELECT pkg_util.foneticabr('JOAO DA SILVA') FROM DUAL;
-- Resultado: JO DA SIRVA

Busca fonética em tabela

SELECT nome
FROM clientes
WHERE pkg_util.foneticabr(nome) = pkg_util.foneticabr('RAFAEL OLIVEIRA');

Esta consulta retornará registros como "RAPHAEL OLIVEIRA", "RAFAEL ORIVEIRA", etc.

Criação de índice fonético (recomendado para performance)

-- Coluna virtual com o código fonético
ALTER TABLE clientes ADD nome_fonetico VARCHAR2(3000)
  GENERATED ALWAYS AS (pkg_util.foneticabr(nome)) VIRTUAL;

-- Índice sobre a coluna virtual
CREATE INDEX idx_clientes_fonetico ON clientes(nome_fonetico);

-- Consulta otimizada
SELECT nome
FROM clientes
WHERE nome_fonetico = pkg_util.foneticabr('RAFAEL');

Nota: Colunas virtuais com índices são suportadas a partir do Oracle 11g.

Testes

O arquivo Script_Teste.sql contém um conjunto de testes automatizados organizados em 4 categorias:

Executar testes

SET SERVEROUTPUT ON;
@Script_Teste.sql

Categorias de teste

Categoria Quantidade Descrição
Testes básicos 3 Funcionalidade geral, acentos, duplicatas
Regras originais 10 LH, NH, NG, Z, PH, W, Y, CH, GE, CE
Novas regras 9 QUE/QUI, SCE/SCI, TH, RM, SM
Equivalências fonéticas 7 Comparação de pares (RAFAEL~RAPHAEL, etc.)
Total 29

Saída esperada

=== TESTES BASICOS ===
OK   [basico] JOAO DA SILVA E OLIVEIRA => JO DA SIRVA E ORIVEIRA
OK   [acento-a] JOSE => JOSE
OK   [duplicata] ANNA => ANA

=== REGRAS ORIGINAIS ===
OK   [LH->L] FILHO => FIRO
OK   [NH->N (fix)] NINHO => NINO
...

=== RESULTADO: 29/29 testes OK ===

Compatibilidade

Versão Oracle Status
Oracle 9i Compatível
Oracle 10g Compatível
Oracle 11g Compatível
Oracle 12c Compatível
Oracle 18c Compatível
Oracle 19c Compatível
Oracle 21c Compatível
Oracle 23ai Compatível

A função utiliza apenas recursos básicos de PL/SQL (REPLACE, REGEXP_REPLACE, REGEXP_COUNT, REGEXP_SUBSTR). Funções REGEXP_* requerem Oracle 10g+.

Estrutura do Projeto

FoneticaBR/
  PKG_UTIL_SPEC.sql    -- Especificação do package (interface pública)
  PKG_UTIL_BODY.sql    -- Corpo do package (implementação)
  Script_Teste.sql     -- Suíte de testes automatizados (29 casos)
  README.md            -- Esta documentação
  .gitignore           -- Ignora arquivos compilados Oracle Forms (*.fmx, *.mmx, *.plx)

Como Contribuir

Contribuições são bem-vindas! Se você deseja colaborar com o projeto:

  1. Faça um fork do repositório
  2. Crie uma branch para sua feature (git checkout -b minha-feature)
  3. Faça commit das alterações (git commit -m 'Adiciona nova regra fonética')
  4. Envie para a branch (git push origin minha-feature)
  5. Abra um Pull Request

Sugestões de contribuição

  • Adicionar novas regras fonéticas para padrões regionais brasileiros
  • Portar a função para outras linguagens (T-SQL, MySQL, PostgreSQL)
  • Adicionar suporte a nomes de origem indígena e africana
  • Melhorar o tratamento contextual da letra X (múltiplos fonemas)
  • Criar benchmark comparativo com outros algoritmos (BuscaBR, Metaphone-ptBR)

Bibliografia

  1. BISOL, Leda (1996). Introdução a estudos de fonologia do português brasileiro. Porto Alegre: EDIPUCRS. ISBN 85-7430-957-5.

  2. JORGE, Fred (2007). BuscaBR - Algoritmo de Busca Fonética para o Português Brasileiro. Disponível em: http://www.linhadecodigo.com.br/artigo/2237/implementando-algoritmo-buscabr.aspx

  3. JORDÃO, Carlos. Metaphone-ptBR - Adaptação do Metaphone para Português Brasileiro. Disponível em: https://github.com/carlosjordao/metaphone-ptbr

  4. RIBEIRO, Israel. Algoritmo de Consulta Fonética Soundex para Lojas Virtuais. Universidade Federal do Paraná (UFPR). Disponível em: https://acervodigital.ufpr.br/xmlui/bitstream/handle/1884/50408/

  5. Wikipedia. Fonologia da língua portuguesa. Disponível em: https://pt.wikipedia.org/wiki/Fonologia_da_l%C3%ADngua_portuguesa

  6. InCor/FMUSP. Implementação de Função para Fonetização em Português - SGBD Oracle. Disponível em: https://www.devmedia.com.br/sgbd-oracle-implementacao-de-funcao-para-fonetizacao-em-portugues/6300

  7. SBC. Adaptação do Metaphone para o Português Brasileiro. Escola Regional de Banco de Dados. Disponível em: https://sol.sbc.org.br/index.php/erbd/article/download/3035/2997/

Histórico de Alterações

v2.0 (2026)

Correções críticas:

  • Corrigido off-by-one no loop de substituições: último elemento (Z->S) não era processado
  • Corrigida ordenação N->M: regra N era aplicada antes de NH/NG/NJ, impedindo o funcionamento dos dígrafos
  • Corrigido conflito Ç: função normalize convertia Ç->C, tornando a regra Ç->S do foneticabr código morto
  • Adicionado chr(192) 'À': caractere estava ausente (chr(198) duplicado em seu lugar)
  • Corrigido RM->SM para RM->M (padrão BuscaBR)

Novas regras fonéticas (baseadas em pesquisa):

  • QUE/QUI -> KE/KI: U silencioso no dígrafo QU antes de E/I
  • SCE/SCI -> SE/SI: C silencioso no dígrafo SC antes de E/I
  • TH -> T: palavras históricas e estrangeiras
  • SM -> M: regra BuscaBR ausente na versão original

Melhorias técnicas:

  • Redução de duplicatas via regex (.)\1+ (suporta 3+ caracteres consecutivos)
  • Script de teste reescrito: 29 casos automatizados com comparação de resultado
  • Documentação completa com metodologia, tabela de regras e bibliografia

v1.0 (2019)

  • Versão inicial por Maxwell Oliveira
  • 45 regras de substituição fonética
  • Baseada na obra de Leda Bisol (1996)

Licença

Este projeto é de código aberto. Contribuições são bem-vindas.

Autor: Maxwell Oliveira (2019) | Melhorias: Pesquisa e correções (2026)

About

Pesquisa Fonética para o padrão Brasileiro - PL / SQL

Resources

Readme
Activity

Stars

5 stars

Watchers

0 watching

Forks

2 forks
Report repository

Releases 1

V2.0.0 Latest
Feb 16, 2026

Packages

 
 
 

Contributors