2

Estou tentando extrair algumas informações de um HTML, porém a regex não funciona, tenho quase certeza que não está pegando espaços, algo assim.

https://regex101.com/r/LPJO4Z/1

<g-card(.*?)>(.*?)<\/g-img>

Se eu remover <\/g-img> do final funciona, mas não pega todo o grupo que quero que seria <g-card>...</g-img>.

8
  • 1
    Não estou usando PHP, estou fazendo em Java
    – Bruno R
    Commented 20/03/2019 às 18:03
  • 1
    da uma lida aqui: stackoverflow.com/q/457684/5988245 tmj
    – LipESprY
    Commented 20/03/2019 às 18:08
  • 2
    Que bom que fui útil! E, de forma alguma, queria desmerecer a resposta do mestre @hkotsubo! A questão é que parsear HTML com RegEx quando se existe uma lib para isso é "tiro no pé", por mais que funcione! Mas de qualquer forma, a sua pergunta é sobre regex. ;D
    – LipESprY
    Commented 20/03/2019 às 19:04
  • 2
    @LipESprY Eu já fui mais radical e achava que nunca devemos usar regex para trabalhar com HTML (é só "caçar" alguns comentários antigos meus por aí). Mas ultimamente estou ficando mais flexível, e dependendo do caso, pode ser uma solução válida. Se for um trecho específico (algumas tags, poucos níveis de aninhamento, etc), entradas controladas (nada de CDATA e outras estruturas mais complexas), e vc fizer algumas concessões e até aceitar alguns falsos positivos, acho OK. Dito isso, para o caso específico dessa pergunta, talvez um parser de HTML seja mais adequado... :-)
    – hkotsubo
    Commented 20/03/2019 às 19:26
  • 2
    @hkotsubo Confesso que compartilho da sua opinião. Mas a RegEx é mais para casos estáticos, que só vai rodar uma única vez, onde tem um padrão fixo e/ou que não dependa de "mexer na RegEx" para cada texto... Particularmente, curto "brincar com RegEx". Mas no final, é mais seguro o parser HTML (lib). ;O
    – LipESprY
    Commented 20/03/2019 às 19:32

1 Resposta 1

3

Por padrão, o ponto não considera as quebras de linha, então .* só vai até a próxima quebra de linha e não consegue ir adiante (e como o g-img não está na mesma linha do g-card, ele não encontra nada).

Muitas linguagens e ferramentas possuem uma opção para mudar este comportamento, e geralmente é chamada de "DOT_ALL" ou "single line" (que é um nome meio confuso para o que a opção faz, mas enfim).

No site regex101.com basta escolher a opção "single line" (clique na bandeira no canto direito, logo depois da regex), isso fará com que o ponto também considere as quebras de linha. Veja que com esta opção ativada, são encontrados os matches corretamente.

Outra opção é trocar o ponto por [\s\S]:

<g-card([\s\S]*?)>([\s\S]*?)<\/g-img>

Basicamente, \s corresponde a "espaços, TAB e quebras de linha" (o significado exato muda de uma linguagem/engine/ferramenta para outra, mas quebras de linha sempre são consideradas) e \S é "tudo que não for \s". Ou seja, [\s\S] é "tudo que for e que não for quebras de linha": basicamente um "ponto turbinado", pois corresponde a qualquer caractere, inclusive as quebras de linha (independente da opção "single line" estar ativada ou não, veja).


De qualquer forma, usar regex para manipular HTML nem sempre é a melhor solução. Muitas vezes um parser de HTML é a melhor opção.

3
  • 1
    [\s\S] foi suficiente pra +1! kkkk
    – LipESprY
    Commented 20/03/2019 às 17:37
  • 1
    @LipESprY A primeira vez que vi esse "truque" não parecia fazer sentido, mas depois que entendi, achei bem legal :-)
    – hkotsubo
    Commented 20/03/2019 às 17:46
  • 1
    Caramba você me salvou +1
    – Bruno R
    Commented 20/03/2019 às 17:59

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .