Skip to main content
Recompensa finalizada con 50 de reputación otorgada por fedorqui
alguna tilde; en medio; visualización
Origen Enlace
fedorqui
  • 16.7k
  • 24
  • 71
  • 134
  • El origen del HTML está controlado. Es un programa mío, o es alguien de mi organización que me avisará cuando vaya a haber un cambio.

  • También relacionado con lo anterior, sabemos quequé estructura tendrá. Si sabemos que va a ser un documento tal que:

      <html><body>
      <ul>
      <li>Punto 1.</li>
      <li>Punto 2.</li>
      ...
      </ul>
    

y que no se van a meter tags ni comentarios ni javascriptJavaScript por enmedioen medio, no hay problema3

Si Si

2Una Una clase de problema distinto sería si quiero obtener el contenido del primer div y me mueven el contenido al tercero. Pero eso es irresoluble tanto para regexp como parseadores a no ser que se use id en los elementos; y si se usa id lo que se busca no es el n-ésimo div sino el elemento con el id correspondiente.

3De De hecho, el subconjunto de HTML así definido es en realidad un lenguaje regular, por lo que las expresiones regulares son completamente suficientes para analizarlo por completo.

  • El origen del HTML está controlado. Es un programa mío, o es alguien de mi organización que me avisará cuando vaya a haber un cambio.

  • También relacionado con lo anterior, sabemos que estructura tendrá. Si sabemos que va a ser un documento tal que:

      <html><body>
      <ul>
      <li>Punto 1.</li>
      <li>Punto 2.</li>
      ...
      </ul>
    

y que no se van a meter tags ni comentarios ni javascript por enmedio, no hay problema3

Si

2Una clase de problema distinto sería si quiero obtener el contenido del primer div y me mueven el contenido al tercero. Pero eso es irresoluble tanto para regexp como parseadores a no ser que se use id en los elementos; y si se usa id lo que se busca no es el n-ésimo div sino el elemento con el id correspondiente.

3De hecho, el subconjunto de HTML así definido es en realidad un lenguaje regular, por lo que las expresiones regulares son completamente suficientes para analizarlo por completo.

  • El origen del HTML está controlado. Es un programa mío, o es alguien de mi organización que me avisará cuando vaya a haber un cambio.

  • También relacionado con lo anterior, sabemos qué estructura tendrá. Si sabemos que va a ser un documento tal que:

      <html><body>
      <ul>
      <li>Punto 1.</li>
      <li>Punto 2.</li>
      ...
      </ul>
    

y que no se van a meter tags ni comentarios ni JavaScript por en medio, no hay problema3

Si

2 Una clase de problema distinto sería si quiero obtener el contenido del primer div y me mueven el contenido al tercero. Pero eso es irresoluble tanto para regexp como parseadores a no ser que se use id en los elementos; y si se usa id lo que se busca no es el n-ésimo div sino el elemento con el id correspondiente.

3 De hecho, el subconjunto de HTML así definido es en realidad un lenguaje regular, por lo que las expresiones regulares son completamente suficientes para analizarlo por completo.

Origen Enlace
SJuan76
  • 11k
  • 5
  • 20
  • 31

La primera cuestión es saber a qué nos referimos con "parsear HTML".

La interpretación estricta es procesar el documento, comprobar que es un HTML correcto, trabajar con la totalidad del documento, etc. En ese sentido, las expresiones regulares son completamente insuficientes.

El ejemplo clásico es el de elementos que se puedan anidar indefinidamente. Si empiezo a hacer <div><div><div>....<div>Hola mundo</div>....</div></div></div>, no hay ninguna expresión regular que pueda verificar que he abierto el mismo número de div que he cerrado (fuente: teoría de autómatas finitos).

Ahora bien, aquí es cuando alguien entra y dice: "Pero yo no estoy construyendo un navegador web/analizador gramatical. Yo lo que quiero saber es qué pone dentro del div. Me da igual que se cierren todos los tags o no, eso es problema de quien genera el HTML. Para mí, las expresiones regulares son completamente suficientes."

Naturalmente, si hay cambios en el HTML, las expresiones regulares son mucho más frágiles. El problema no es tanto que fallen1 como que den falsos positivos.

Por ejemplo, tenemos nuestra expresión para encontrar el contenido del <div>(<div>(.*)<\/div>), y de repente la página nos cambia a:

 <div>Hola mundo<!-- Tonto el que lo lea!!--></div>

Vaya... mejor lo cambiamos a (<div>(.*)<), ¿no? Bueno, hasta que nos llega:

 <div>Hola <a href="http://micasa.example">mundo</a></div>

Bueno, lo solucionamos (ya no pongo la expresión regular), y a la semana siguiente tenemos

 <!-- <div>Hola mundo</div> No lo borro, solo lo comento porque no me fío del SVN. Firmado: el novato -->
 <div>Adios mundo</div>

En todos los casos de arriba, la expresión regular se come el error como si nada y el proceso sigue hasta que alguien (posiblemente un humano) se da cuenta de que los valores no casan, quizás semanas o meses después2.

Así que:

¿Se puede parsear un HTML con expresiones regulares?

En general, NO.

¿En qué casos es recomendable hacerlo?

Más que "recomendable", no es demasiado problema cuando:

  • El origen del HTML está controlado. Es un programa mío, o es alguien de mi organización que me avisará cuando vaya a haber un cambio.

  • También relacionado con lo anterior, sabemos que estructura tendrá. Si sabemos que va a ser un documento tal que:

      <html><body>
      <ul>
      <li>Punto 1.</li>
      <li>Punto 2.</li>
      ...
      </ul>
    

y que no se van a meter tags ni comentarios ni javascript por enmedio, no hay problema3

¿En qué casos es desaconsejable?

Todos los demás.


1Si falla, se procesa el error y se adapta la expresión regular adecuadamente. Al fin y al cabo, si el formato de la página que se parsea cambia, también los programas que usen analizadores gramaticales pueden tener problemas (aunque siempre serán más flexibles).

2Una clase de problema distinto sería si quiero obtener el contenido del primer div y me mueven el contenido al tercero. Pero eso es irresoluble tanto para regexp como parseadores a no ser que se use id en los elementos; y si se usa id lo que se busca no es el n-ésimo div sino el elemento con el id correspondiente.

3De hecho, el subconjunto de HTML así definido es en realidad un lenguaje regular, por lo que las expresiones regulares son completamente suficientes para analizarlo por completo.