1

Estoy iniciándome en los regex y no consigo hacer una captura basada en este texto:

ASIN ‏ : ‎ B09RLXVHSB Editorial ‏ : ‎ Independently published (30 enero 2022) Idioma ‏ : ‎ Español Tapa blanda ‏ : ‎ 102 páginas ISBN-13 ‏ : ‎ 979-8410369077 Edad de lectura ‏ : ‎ De 1 a 12 años Peso del producto ‏ : ‎ 327 g Dimensiones ‏ : ‎ 21.59 x 0.58 x 27.94 cm

Lo que necesito es capturar el idioma (en este caso Español).

He probado con esta expresión en entre otras muchas pero no doy con la tecla:

Idioma\s+:\s+([A-Z]+)\s+Tapa

2 respuestas 2

1

Pegando tu texto tal cual en regex101.com me aparece un símbolo unicode repetido constantemente entre los espacios, que está escondido y no se ve, que es el ‏U+200E‏.

introducir la descripción de la imagen aquí

Si los quitas verás que la expresión empieza a funcionar. Al final a mi me ha funcionado así:

Idioma\s+:\s+[a-zA-Zñ]*

Si no quieres limpiar el texto unicode antes del regex, entonces prueba esta otra cadena de regex (ejemplo):

Idioma\s\X\s:\s\X\s[a-zA-Zñ]*

o si estas usando .NET, Java 8 o anteriores, o Ruby 1.9 esta cadena parece la adecuada (ejemplo):

Idioma\s(?>\P{M}\p{M}*)\s:\s(?>\P{M}\p{M}*)\s[a-zA-Zñ]*

donde:

  • \X o también (?>\P{M}\p{M}*) representa una coincidencia simple de un grafema unicode, tal como reza esta documentación.
3
  • Gracias. tienes razón no se de donde salen esos caracteres pero la información me viene así y no puedo cambiarlo. el 29 sep. 2022 a las 19:03
  • Bueno después de una hora dándole a posibles soluciones, no he conseguido nada. ¿De que forma podría incluir esos unicode para hacer mi captura? el 2 oct. 2022 a las 3:21
  • He actualizado mi respuesta. Pensaba que ibas a eliminar el unicode antes del regex, pero veo que lo quieres todo en regex, pues a ver si así te sirve.
    – masterguru
    el 2 oct. 2022 a las 6:28
0

Mis dos centavos.

Intenta con esta regex:

Idioma[^:]+:(\X|\s){3}\K(\X+?)(?=\s+)

Me funcionó con las expresiones regulares tipo Perl para grep.

Por ejemplo, aquí utilicé caracteres no latinos:

introducir la descripción de la imagen aquí

La descripción de la Regex es:

  • Idioma -> la palabra idioma
  • [^:]+ -> lo que no sean dos puntos, y repetido múltiples veces
  • : -> los dos puntos
  • (\X|\s){3} -> 3 veces la coincidencia de un caracter unicode, o de un espacio
  • \K -> Olvida todo lo anterior
  • (\X+?) -> Cualquier secuencia de caracteres unicode pero que no sea greedy
  • (?=\s+) -> Y que este antes de múltiples espacios

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.