27

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 dev​orará tu parser de HT​ML, 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 ̡tu​͟s ojos̸ ̛como líqido doloroso, la canción de parsear expresiones re̸gulares va a extinguir las voces del hombre mor​tal 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 el ícor permea todo MI CARA MI CARA ᵒh dos no o NO NOO̼O​O NΘ para los án​*̶͑̾̾​̅ͫ͏̙̤g͇̫͛͆̾ͫ̑͆ul͖͉̗̩̳̟̍ͫͥͨos ͎ n​o son rè̑ͧ̌aͨl̘̝̙̃ͤ͂̾̆es ZA̡͊͠͝LGΌ ESͮ̂҉̯͈͕̹̘̱ ALȳ̳ Ë͖́̉L ͠P̯͍̭O̚​N̐Y̡ 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.

2
  • se que depende de lo que vas a hacer pero puedes hacer un xsd(quedaria construido mas o menos como tu expresion regular) y lo mezcla con el html, obviamente tu pregunta es usando expresion regular pero si deseas realizarlo de otra forma te propongo esto Commented el 22 ago. 2017 a las 14:00
  • Con una sola expresión, claro que NO, pero Si muchas. Algunas ves la hice. Tuve mi código que lo usaba, sin embargo; mi disco duro se averió, incluyendo las de las copias.. :( Commented el 24 ago. 2017 a las 14:26

1 respuesta 1

19
+50

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 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

¿En qué casos es desaconsejable?

Todos los demás.


1 Si 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).

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.

2
  • 2
    Qué respuesta tan bien construida y expuesta, SJuan. Por lo que parece, las conclusiones de Jeff Atwood en 2009 en el artículo del blog se mantienen: usa regex para casos específicos y conocidos. El resto es levedad.
    – fedorqui
    Commented el 25 jul. 2017 a las 11:41
  • 1
    Excelente respuesta y divertida. Yo le añadiría: si quieres parsear html una mejor solución y no digo que perfecta o libre de errores sería utilizar las tecnologías XML (XSL=>XPATH,XSLT,XSL:FO). Al final de cuantas un html es un xml, por eso surgió xhtml.
    – abrahamhs
    Commented el 18 ago. 2017 a las 19:50

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.