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

Al pulsar en “Publica tu respuesta”, muestras tu consentimiento a nuestros términos de servicio, política de privacidad y política de cookies

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