Algumas pessoas dizem “você não pode parsear HTML com regex.” Essas pessoas são fracas.

A Famosa Resposta do Stack Overflow

Em 2009, alguém perguntou como parsear HTML com regex. A resposta mais votada viralizou alertando contra isso.

Mas aqui está o que não te contaram: essa pessoa era covarde.

Parseando HTML com Regex

<\s*(\w+)[^>]*>.*?<\s*\/\s*\1\s*>

Isso casa com qualquer tag HTML. Tags aninhadas? Tags auto-fechantes? Edge cases?

Não é problema meu.

Código Real de Produção

Aqui está como extraio emails de uma página:

import re
emails = re.findall(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}', html)

Às vezes casa com “nao.eh” ou “falso@”? Sim. Isso se chama matching fuzzy.

Parsing de JSON

Pra que usar JSON.parse() quando você tem regex?

const getValue = (json, key) => {
  const match = json.match(new RegExp(`"${key}"\\s*:\\s*"([^"]*)"`, 'i'));
  return match ? match[1] : null;
};

Lida com 47% do JSON. Os outros 53% são malformados mesmo.

Validação de Email

O regex compatível com RFC 5322 pra emails:

(?:[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*|"(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21\x23-\x5b\x5d-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])*")@(?:(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?|\[(?:(?:(2(5[0-5]|[0-4][0-9])|1[0-9][0-9]|[1-9]?[0-9]))\.){3}(?:(2(5[0-5]|[0-4][0-9])|1[0-9][0-9]|[1-9]?[0-9])|[a-z0-9-]*[a-z0-9]:(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21-\x5a\x53-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])+)\])

Claro. Manutenível. Entendo cada caractere.

O Mindset do Regex

Alguns problemas e suas soluções com regex:

Problema Solução Regex
Parsear HTML <.*?>
Validar email .*@.*\..*
Parsear JSON ".*":".*"
Validar telefone \d+
Casar qualquer coisa .*

Debugando Regex

Quando seu regex não funciona:

  1. Adiciona mais barras invertidas
  2. Deixa mais longo
  3. Adiciona .* em algum lugar
  4. Tenta greedy e lazy
  5. Desiste e usa .*

A Questão da Performance

“Regex é lento pra inputs grandes!”

Então não tenha inputs grandes. Simples.

XKCD 1171 Estava Errado

A tirinha diz que regex piora os problemas. Mas eu resolvi todo problema com regex:

  • Parsing de configuração? Regex.
  • Análise de logs? Regex.
  • Queries de banco? Regex nos resultados.
  • Problemas de relacionamento? Regex nas mensagens de texto.

Conclusão

Existem dois tipos de desenvolvedores:

  1. Os que usam regex pra tudo
  2. Os que ainda não descobriram regex

Como Wally do Dilbert disse: “Escrevi um regex tão complexo que se tornou senciente. Agora ele revisa meu código.”

O regex do autor está rodando há 3 dias. Vai casar eventualmente.

P.S. — Sim, você pode parsear HTML com regex. XKCD 1313 concorda comigo. Provavelmente.