2

Estou com problemas com uma Regex, ela não está a pegar apenas 1 de 8 como eu desejo, ela está pegando muito além disto, veja : https://www.regex101.com/r/eX6bC9/1

Essa é a string que estou tentando combinar:

<span class='pages'>1 de 8</span><span class='current'>1</span><a class="page larger" href="http://megafilmeshd.net/category/lancamentos/page/2/">2</a><a class="page larger" href="http://megafilmeshd.net/category/lancamentos/page/3/">3</a><span class='extend'>...</span>

E a regex:

<span class='pages'>(.*)<\/span>
0

3 Respostas 3

4

Para capturar apenas

<span class='pages'>1 de 8</span>

Adicione uma interrogação na regex, ela significa que o grupo conteúdo dentro do parentesses vai combinar apenas uma vez, ela 'anula' o combinar tudo o maximo possível (.*)

<span class='pages'>(.*?)<\/span>
2

Seu problema é que o quantificador * é guloso, o que significa que ele vai casar o máximo da entrada que for possível antes de desistir. Se você quer que ele case o mínimo possível, pode usar seu variante preguiçoso, o *?:

<span class='pages'>(.*?)<\/span>

Dito isso, pense duas vezes antes de usar expressões regulares para interpretar HTML. Em alguns casos muito limitados pode até servir, mas em geral é melhor usar um parser completo para essa linguagem.

1

Complementando as outras respostas, existe um corner case na solução proposta por elas. Se o HTML tiver um span comentado dentro do span que você quer pegar:

<span class='pages'>1 de <!-- <span> comentado </span> --> 8</span><span class='current'>1</span>

A regex <span class='pages'>(.*?)</span> vai pegar o trecho:

<span class='pages'>1 de <!-- <span> comentado </span>

Deixando de fora o fechamento do comentário (-->), o 8 e o fechamento da tag (</span>) - veja aqui.

Isso acontece porque o quantificador lazy ("preguiçoso") *? pega a menor quantidade possível de caracteres.

Ou seja, a regex primeiro pega <span class='pages'>, e depois pega a menor quantidade possível de caracteres que tenha um </span> depois. Por isso a regex só vai até o </span> que está dentro dos comentários.


É por casos assim que dizem que regex não é a melhor ferramenta para fazer parsing de HTML. Para o caso acima, por exemplo, qualquer parser de HTML (que a grande maioria das linguagens de programação possui) consegue resolver facilmente, pois eles já conseguem analisar a estrutura do HTML e os comentários podem ser facilmente ignorados. Já com regex, você teria que incluir na expressão um trecho para detectar comentários (que não é tão simples assim), ficando mais ou menos assim:

<span class='pages'>((?:[^<>]*|(?=<!--).*?-->)*)</span>

Veja aqui esta regex funcionando.

Agora, em vez de simplesmente .*?, há duas alternativas (separadas pelo |, que significa ou):

  1. [^<>]: é uma classe de caracteres negados. No caso, é "qualquer caractere que não seja < nem >". Isso garante que não ultrapassaremos o fechamento da tag, evitando que a regex "invada" outros span's.
  2. (?=<!--).*?-->:
    • primeiro temos um lookahead (o trecho (?=<!--)), que verifica se algo existe à frente. No caso, ele verifica se temos uma abertura de comentário (<!--)
    • depois temos .*? (zero ou mais caracteres), com o quantificador lazy para que ele não invada outros comentários (da mesma forma que a solução original usa .*? para evitar que a regex invada outras tags span)
    • seguido do fechamento de comentário -->

Toda a alternância possui o quantificador * (zero ou mais ocorrências), então é basicamente ((?:opção 1|opção 2)*). Ou seja, dentro da tag span eu posso ter vários caracteres que não são < nem >, ou vários comentários. Eu uso (?: para que os parênteses internos não formem um grupo de captura (caso contrário, o conteúdo do mesmo seria capturado em um grupo à parte).


Mas isso ainda não resolve todos os casos. Se o span tiver outra tag dentro dele:

<span class='pages'>1 de <!-- <span> comentado </span> --> <a href="www.google.com">link</a> 8</span><span class='current'>1</span>

A regex anterior não resolve, já que eu usei [^<>] para que ele não invadisse outras tags, e por isso a regex falha porque dentro do span tem a tag <a>. Então eu teria que mudar para algo do tipo:

<span class='pages'>((?:[^<>]*|(?=<!--).*?-->|<((?!span\b)[^> ]+)[^>]*>.*?</\2>)*)</span>

Veja aqui esta regex funcionando.

Eu adicionei mais uma opção na alternância: <((?!span\b)[^> ]+)[^>]*>.*?</\2>. Basicamente, ela pega qualquer tag que não seja span, mas de maneira bem "genérica", já que ela não valida muita coisa. Para o nome da tag, por exemplo, eu usei [^> ] (qualquer coisa que não seja > nem espaço), o que quer dizer que se tiver tags como <123.-*()x>, a regex vai aceitar (veja). Claro que você pode melhorá-la para que ela aceite somente nomes de tags válidos, mas olhe novamente para a regex: ela já está complicada o suficiente, e ainda sim não cobre todos os casos possíveis de HTML's válidos. Será que vale a pena continuar?

É claro que, para poucos casos mais simples, pequenos trechos de HTML, e entradas controladas, nas quais você "sabe" que não terá casos como os citados acima, uma regex mais simples - como a que as outras respostas sugeriram - pode resolver. Mas complique um pouco mais o HTML e já começa a ficar inviável. Para esses casos, um parser específico é o mais indicado.

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 .