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 fallen<sup>1</sup> 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 después<sup>2</sup>. 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 problema<sup>3</sup> > ¿En qué casos es desaconsejable? Todos los demás. <hr/> <sup>1</sup>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). <sup>2</sup>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. <sup>3</sup>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.