Ayer traduje la respuesta de RegEx match open tags except XHTML self-contained tags con su famoso fragmento de código:
No puedes parsear [X]HTML con expresiones regulares porque el HTML no se puede parsear con regex. Regex no es una herramienta que se pueda usar para parsear correctamente HTML. Como ya he contestado muchas preguntas de HTML y regex, el uso de regex no te permitirá procesar HTML. Las expresiones regulares son una herramienta que no es lo suficientemente sofisticada para entender las construcciones utilizadas por el HTML. HTML no es un lenguaje regular y, por tanto, no puede analizarse sintácticamente mediante expresiones regulares. Las expresiones regulares no están equipadas para diseccionar el HTML en sus partes representativas.
que acaba con una demostración final de HTML roto:
aparece
, la pestilente infección de regex devorará tu parser de HTML, tu aplicación y tu existencia para siempre como un mero Visual Basic o peor él viene no luches élviene v̡im̡ie̶ne, ̕h̵u radiaccio͞n destryendo҉ toda lumi̍̈́̂̈́nosidad, las etiquetas de HTML filtra͠ndo de ̡tu͟s ojos̸ ̛como líqido doloroso, la canción de parsear expresiones re̸gularesva a extinguir las voces del hombre mortal de la esf/b>era puedo verlo puede ̲͚̖͔̙ver es hermoso el final extinguiendo las mentiras de los Hombres TODO EŚ͖̩͇̗̪̏̈́TÁ PERDIDO TODO ESTÁ PERDIDO el pon̷y él viene él viene él viene elícor permea todo MI CARA MI CARA ᵒh dos no o NO NOO̼OO NΘ para los án*̶͑̾̾̅ͫ͏̙̤g͇̫͛͆̾ͫ̑͆ul͖͉̗̩̳̟̍ͫͥͨos ͎ no son rè̑ͧ̌aͨl̘̝̙̃ͤ͂̾̆es ZA̡͊͠͝LGΌ ESͮ̂҉̯͈͕̹̘̱ ALȳ̳ Ë͖́̉L ͠P̯͍̭O̚N̐Y̡ Ȩ̬̩̾͛ͪ̈́̀́͘L ̶̧̨̱̹̭̯ͧ̾ͬViENȆ̴̟̟͙̞ͩ͌͝"
Yo di por buenas sus aseveraciones:
- HTML no se puede parsear con regex
- las regex no son lo suficientemente sofisticadas para este cometido
- HTML no es un lenguaje regular y, por tanto, no se puede analizar sintácticamente con expresiones regulares.
Pero a continuación recibí un comentario de Mariano:
Sé que esto es un chiste que se hizo famoso. No obstante, "HTML no se puede parsear con regex" es falso. "no es lo suficientemente sofisticada" es falso. "no están equipadas para diseccionar el HTML" es falso. "no es un lenguaje regular y, por tanto, no puede analizarse sintácticamente mediante expresiones regulares" es rotundamente falso. Lo que es verdad es que te va a traer dolores de cabeza, porque no es una herramienta que se ajuste a ese trabajo... Odio esta publicación.
Y me quedé dudando. Búsquedas posteriores me llevaron una entrada de blog de Jeff Atwood Parsing Html The Cthulhu Way, de 2009, donde empieza hablando de la respuesta que acabo de citar, mostrando el sentimiento que la generó. Sin embargo, parsea el estado de la cuestión y muestra que tampoco es tan claro que no se pueda. Menciona una discusión en la que programadores experimentados defienden su uso en ciertos casos.
Por tanto, la duda es:
- ¿Se puede parsear un HTML con expresiones regulares?
- ¿En qué casos es recomendable hacerlo?
- ¿En qué casos es desaconsejable?
Se habrá notado que uso parsear y analizar sintácticamente indistintamente. Lo hago pues una parece la traducción de la otra, pero no es menos cierto que en entornos hispanohablantes el uso de parsear está muy extendido.