PDF de programación - Expresiones regulares y scapping

Expresiones regulares i

scrapping

Miquel Serrabassa
José Manuel Gutiérrez
@labsdata @naciodigital

El concepto

Una expresión regular es una
secuencia de caracteres que
forma un patrón de búsqueda.

¿Para qué sirve?

Sirve para la búsqueda de
patrones dentro de textos
para su tratamiento, ya sea
sustitución, búsqueda o
validación.

¿Qué podría buscar?

Por ejemplo, podrías
encontrar...

1. Nombres o patrones de letras
2. Números de cuenta bancaria
3. Direcciones de correo

electrónico

4. Cifras absolutas o

porcentajes

5. Códigos postales
6. ...

Y… ¿Cómo lo hago?

1. Editores de texto avanzados:
Notepad++, PSPad, Brackets,
Atom...

2. Lenguajes de programación:

PHP, C++, .Net, Javascript, R,
Perl, Python, ...
...

3.

Some people, when confronted with a problem, think

“I know, I'll use regular expressions.”

Now they have two problems.

Jamie Zawinski

[\w\.\-\+]+@[\w]+[\w-]*\.[a-zA-Z0-9]+[\.a-zA-Z0-9]+

Empezamos!

http://regexr.com/3dcb0

Descripción de las expresiones regulares

Letras o
números

Concordancia exacta

El punto

.

Cualquier carácter

Barra inversa

\



\w Cualquier carácter
alfanumérico

\d Cualquier dígito (0-9)

\s Espacio en blanco

\n Salto de línea

\r para retorno de carro

\t Tabulador

Negando la barra

inversa

\

\W Todo excepto caracteres
alfanuméricos

\D Cualquier carácter que
no sea un dígito

\S Cualquier carácter que
no sea un espacio en
blanco

Inicio

^

La cadena empieza por el

símbolo que siga a ^

^\w

Para usar en matrices de datos,

comprobando inicios coincidentes en cada

elemento

Fin

$

La cadena termina con el
símbolo que precede a $

\w$

Para usar en matrices de datos

comprobando finales coincidentes en cada

elemento.

Conjunción - “or”

|

En a|b, encuentra a o b.

Búsqueda
múltiple

[...]

Combinaciones de símbolos

[abcd] Encuentra a,b,c o d

[a-d] Encuentra a,b,c o d

[a-cp-z] Encuentra dos

rangos diferentes

[a-zA-Z0-9] Encuentra
cualquier número o letra

Búsqueda

múltiple inversa

El símbolo ^ dentro de []
busca cualquier carácter

no incluido en la

expresión.

[^...]

[^a-d]

{X} coincide con el

símbolo que le precede X

veces. r{2}

Cuantificadores

{X}

{X,} coincide con el
símbolo que le precede
almenos X veces. r{2,}

{X,Y} coincide con el
símbolo que entre X e Y

veces. r{2,3}

Cuantificadores

II

*, + y ?

+ Encuentra el símbolo
precedente una o más veces

* Encuentra el símbolo
precedente cero o más
veces.

? Encuentra el símbolo
precedente cero o una vez

ac+ {1,} → ac,acc,accc..
ac* {0,} → a,ac,acc...
ac? {0,1} → a y ac

Agrupación

(...)

Incluye un grupo de
símbolos dentro de la

expresión

(ac)+ ac,acac,acacac

Referenciales

\#

donde # es un número.

Coincide con la expresión
entre paréntesis que se
encuentre en la posición #

(na)\w+\1

Casos prácticos

Nombres

maria|jose|juan
gmail|hotmail

Códigos
postales

?

DNI

[0-9]{1,2}((\.[\d]{3}){2}|
[0-9]{6})[a-zA-Z]

Correos
electrónicos

[\w\.\-\+]+@[\w]+[\w-]*\.
[a-zA-Z0-9]+[\.a-zA-Z0-9]+

Números de cuenta

IBAN

[a-zA-Z]{2}[0-9]{2}[a-zA-
Z0-9]{4}[0-9]{7}([a-zA-Z0-
9]?){0,16}

¿Jugamos?

Regex Golf

http://regex.alf.nu/