Cómo convertirse en un experto en expresiones regulares

Si no sabe lo que expresión regular (también conocido como "regex" o "regexp") es, es un un lenguaje increíblemente poderoso para ejecutar una búsqueda y/o sustitución a través de cualquier tipo de texto. Regex ha tenido una larga y gloriosa historia (sus orígenes se remontan a los años 50) e incluso ahora, se utiliza a diario... puede que no lo sepas. Regex está integrado en la mayoría de los principales lenguajes de programación y sistemas informáticos y se utiliza en una gran variedad de aplicaciones.

Regex ya no es sólo para programadores: hoy en día aparece en todo tipo de lugares. Algunos de los lugares en los que puede que lo hayas visto hasta ahora es para hacer coincidir URLs en Google Analytics, buscar y reemplazar en tu editor de texto favorito (algunos editores populares que soportan regex incluyen Sublime, Atom, Nube9, Bloc de notas, Google Docs y Microsoft Word ... aunque Word tiene una sintaxis regex que es muy no estándar) e incluso nombres de archivo coincidentes en nuestro impresionante plugin de afiliación de WordPress, MemberPress.

Aunque regex está apareciendo ahora en lugares sorprendentemente nuevos, su naturaleza aparentemente críptica probablemente siempre hará que su uso sea más predominante entre programadores y "usuarios avanzados".

Así que aquí está el punto de este artículo en el que tienes que decidir si vas a seguir viviendo sin conocer el incalculable poder de regex, o si te tragarás la píldora roja y blandirás la espada de un usuario avanzado. En este post, te daré los conocimientos básicos que necesitarás para empezar a poner esta herramienta extremadamente útil a trabajar para ti. Así que, ¡empecemos!

Algunos ejemplos

¿Qué aspecto tienen las expresiones regulares? Si vieras una sin tener ni idea de lo que es, te parecería un completo galimatías.

A continuación se muestra una sentencia regexp de ejemplo para hacer coincidir un número de teléfono:

\(¿? d {3})?[- ]\d{3}-\d{4}

Aquí hay uno que coincide con una URL:

https?:\/\/[\w-]+(\.[\w-]{2,})*(:\d{1,5})?

Y uno que pueda coincidir con una dirección de correo electrónico:

[\w\d._%+-]+@[\w\d.-]+\.[\w]{2,4}

Por último, he aquí una sencilla búsqueda y sustitución que encontrará todos los nombres de dominio con el subdominio "test" y los cambiará por un subdominio "www":

Busca: test\.([^\.]+)\.com
Sustitúyelo: www.$1.com

¿Intimidado ya? No lo hagas. Repasaré cómo se interpretan las sentencias regex, desglosando lo que hacemos en cada una de ellas y explicando cómo crear las tuyas propias.

Cómo leer expresiones regulares

Las expresiones regulares son como las sentencias de búsqueda normales, pero con esteroides. Por ejemplo, si quisieras encontrar el nombre "Harry" en una página web, harías clic en control-f y escribirías "Harry" para encontrarlo. Con regex puedes hacer más que simplemente buscar "Harry". Puedes buscar "Harry" o "Bob" con (Harry|Bob) o puede buscar cualquier palabra que empiece por "Ha" con Ha\S*.

Para tu ordenador, el texto se representa como una "cadena" de caracteres. De hecho, si alguna vez has escuchado a programadores hablando de código, probablemente les hayas oído utilizar el término "cadena" para referirse a alguna variable.

Las expresiones regulares se leen de izquierda a derecha (como el inglés y muchos otros idiomas) y explican al ordenador con qué debe coincidir cuando escanea una cadena de izquierda a derecha. A medida que el ordenador mira cada carácter, sigue este flujo:

Si observa este diagrama de flujo, por complicado que parezca, verá algo muy familiar. Es prácticamente idéntico a como esperarías cualquier en un ordenador y cómo se realizan las búsquedas con las que ya estás familiarizado. Regex sólo añade algunas características muy potentes en la parte superior de la búsqueda normal.

Conceptos básicos

Ahora, antes de empezar a diseccionar nuestro ejemplo regex declaraciones de arriba, vamos a pasar por algunos de los caracteres de comando muy básico de regex:

Repetidores: *, + y {...}

Los caracteres asterisco (*) y más (+) son repetidores. Un repetidor sólo se utiliza después de otro carácter o sentencia adjunta y le dice al ordenador que haga coincidir el carácter precedente X número de veces. El asterisco coincidirá con el carácter precedente de 0 a infinitas veces; el signo más, de 1 a infinitas veces; {2} coincidirá 2 veces exactamente; {4,6} lo hará coincidir entre 4 y 6 veces exactamente; y {7,} lo igualará entre 7 e infinitas veces.

Comodín: .

Probablemente esté acostumbrado a utilizar el símbolo de la estrella como comodín, pero en regex se trata de un punto (.). El punto simplemente coincidirá con cualquier carácter.

Opcional: ?

Al igual que el repetidor, el carácter opcional, un signo de interrogación (?), sólo se utiliza después de otro carácter o sentencia adjunta. Cuando está colocado, indica al ordenador que el carácter precedente puede o no estar presente en los resultados de la búsqueda.

Principio y final de la cadena: ^ y $

Cuando el signo de intercalación (^) se utiliza al principio de la expresión regular, indica que debe coincidir con el principio de la cadena. Y el signo del dólar ($), cuando se utiliza al final de la expresión regular, coincidirá con el final de la cadena.

Personajes posibles: [...]

Los caracteres entre paréntesis indican los caracteres que pueden coincidir en esa posición. Por ejemplo, si desea buscar una "n", "m", "l" o "_", puede añadir lo siguiente a la expresión regular [nml_]. Si sólo quisieras hacer coincidir cualquier letra o número podrías añadir esto [A-Za-z0-9].

Si desea que coincida con cualquier carácter excepto los caracteres posibles, basta con poner un signo de intercalación (^) después del paréntesis de apertura. Por ejemplo, si quiere que coincida cualquier carácter excepto 'x','y','z' o '_', puede hacerlo con la sentencia: [^xyz_]. Como puede ver, esto le permite controlar con gran precisión las coincidencias carácter por carácter.

Declaraciones adjuntas: (...)

A veces querrá que las secciones de su regex se comporten como un bloque o guardarlas para más tarde. Para ello, basta con encerrar la expresión entre paréntesis.

Escapar: \

Ahora, ¿qué pasa si quieres buscar los caracteres '+', '.', etc.? Bueno, si le pones una barra invertida delante, le dirás a tu ordenador que estás intentando buscar un carácter de búsqueda real, y que no lo interprete como un carácter de comando.

Caracteres taquigráficos: /s, /S, /d, /D, /w, /W y /b

Estos caracteres son muy útiles y te ayudarán a emparejar determinados conjuntos de caracteres. He aquí cómo se desglosan:

• /s coincide con cualquier carácter de espacio en blanco, como el espacio y el tabulador
• /S coincide con cualquier carácter que no sea un espacio en blanco
• /d coincide con cualquier carácter numérico
• /D coincide con cualquier carácter que no sea un dígito
• /w coincide con cualquier carácter de palabra (básicamente alfanumérico)
• /W coincide con cualquier carácter que no sea una palabra
• /b coincide con cualquier límite de palabra (esto incluiría espacios, guiones, comas, puntos y comas, etc.)

Por supuesto, hay muchas otras cosas más potentes que puedes hacer con regex, pero con estas nociones básicas tendrás las herramientas que necesitas para 90% tus necesidades de búsqueda avanzada.

Desglose de nuestro ejemplo de número de teléfono

Bien, ahora que ya tienes las herramientas, veamos nuestros ejemplos para ver cómo funcionan, empezando por nuestra coincidencia para el número de teléfono:

\(¿? d {3})?[- ]\d{3}-\d{4}

Así que lo desglosaremos por declaraciones:

\(?
Esta es la primera sentencia que buscará el ordenador. Comienza con un carácter de escape (\) seguido de un paréntesis abierto (() seguido de un carácter opcional (?). Esto le indica al regex que busque un paréntesis abierto real para señalar el inicio de un número de teléfono, pero que puede no estar presente en todas las instancias de un número de teléfono.

\d{3}
El segundo enunciado comienza con el carácter abreviado para dígito (\d) y luego tiene un repetidor ({3}) que requerirá que haya 3 dígitos. No termina con un signo de interrogación porque estos tres dígitos no son opcionales: deben estar presentes para que el resultado de la búsqueda se considere un número de teléfono.

\)?
Ahora el ordenador comprobará si hay un paréntesis de cierre opcional, pero si no está presente puede seguir coincidiendo.

[- ]
Después de eso, tenemos una declaración de caracteres posibles que buscará un espacio o un guión para coincidir.

\d{3}-\d{4}
Por último, tenemos algunas sentencias que esperan 3 dígitos seguidos de un guión y a continuación 4 dígitos.

Puedes verlo en acción y jugar con él aquí: http://regex101.com/r/nW9iC5/3

Algunas cosas que puede notar sobre esta expresión regular es que sólo coincidirá con dos formatos aceptables para los números de teléfono:

• (888) 888-8888
• 888-888-8888

No coincidirá con una multitud de formatos de números de teléfono inaceptables como:

• 8888888888
• 88-8888-8888

Pero se también coinciden con algunos formatos que podrían no ser apropiados:

• (888-888-8888
• 888) 888-8888
• (888)-888-8888

¿Qué crees que podrías hacer para asegurarte de que esta regex sólo coincide con los formatos adecuados?

Desglose de nuestra URL Regex

En primer lugar, me gustaría señalar que la siguiente expresión regular no es de ningún modo una expresión regular exhaustiva para la comparación de URL. Sólo coincidirá con una dirección web sin argumentos y tiene varios otros problemas, pero serviría para coincidir con muchas URLs de manera efectiva.

https?:\/\/[\w-]+(\.[\w-]+)*(:\d{1,5})?

Ahora el desglose:

https?:\/\/
Esta primera declaración coincide con el protocolo de la URL. Como la "s" tiene un signo de interrogación detrás, es opcional. También hay caracteres de escape delante de las barras inclinadas, que es lo que suele ocurrir en las expresiones regulares para que coincidan con barras inclinadas. Así que, en realidad, las dos únicas maneras en que una URL podría coincidir con esta declaración sería comenzar con http:// o https://.

[\w-]+
Aquí tenemos una declaración de caracteres posibles seguida de un signo más. Esto significa que los caracteres siguientes deben ser 1 o más caracteres de palabra o guiones.

(\.[\w-]+)*
Aquí tenemos la sentencia que coincidirá con un punto seguido de caracteres de palabra o guiones. Toda esta sentencia está encerrada entre paréntesis y seguida de un signo más que indica al ordenador que podemos repetir toda esta secuencia cero o más veces. Así, esta sección podría coincidir con .memberpress o .memberpress.com o .memberpress.esetc.

(:\d{1,5})?
Por último, esta declaración proporcionará un número de puerto opcional que se añadirá al final de la URL, que incluye dos puntos seguidos de 1 a 5 dígitos, luego entre paréntesis y seguido de un signo de interrogación para que toda la declaración sea opcional.

Aquí es donde puedes jugar con esto: http://regex101.com/r/vL5uZ2/2

Esta expresión regular coincidirá:

• https://memberpress.com
• https://memberpress.com
• http://localhost:3000

PERO no coincidirá con ningún parámetro que siga a una URL como ésta:

• http://localhost:3000?test=1&page=5

¿Qué podría añadir a esta expresión regular para que coincidiera con algunos parámetros al final de una URL?

Si está interesado en el regex de coincidencia de URL más completo (que coincida con parámetros, caracteres unicode, TLDs grandes, etc.) hay muchos que puede consultar, pero aparentemente el más completo y preciso es el creado por Diego Perini, que que puedes consultar en su gist de Github.

Desglose de nuestra Regex de correo electrónico

Otro uso habitual de la regex es la comparación de direcciones de correo electrónico. Nuestra regex de coincidencia de correo electrónico coincidirá con un número considerable de direcciones de correo electrónico:

[\w\d\._%+-]+@[\w\d.-]+\.[\w]{2,4}

He aquí el desglose:

[\w\d\._%+-]+
Esta sentencia coincidirá con uno o más caracteres de palabra, dígitos, puntos, guiones bajos, símbolos de porcentaje, símbolos más o guiones.

@
Toda dirección de correo electrónico necesita un símbolo "@" y eso es lo que coincide, por supuesto.

[\w\d.-]+
Después del símbolo "@" tenemos que empezar por el nombre de dominio. Esta sentencia coincidirá con uno o más caracteres de palabras, dígitos, puntos o guiones.

\.[\w]{2,4}
Ahora tenemos que hacer coincidir el dominio de nivel superior, que es un punto seguido de 2 a 4 caracteres de palabra.

También puede jugar con esta expresión regular aquí: http://regex101.com/r/yQ2wP9/1

Aunque esta expresión regular no es 100% completa, debería poder coincidir con la mayoría de las direcciones.

Buscar y reemplazar Regex

Así que en muchos casos no sólo se preocupará de hacer coincidir patrones en su texto con regex, sino también de utilizar el poder de buscar y reemplazar con regex.

Utilicemos el ejemplo anterior de búsqueda y sustitución:

Busca: test\.([^\.]+)\.com
Sustitúyelo: www.$1.com

He aquí el desglose, empezando por el patrón de búsqueda:

prueba.
Esta primera parte coincidirá con cualquier parte de la cadena que empiece por "test".

([^\.]+)
Esta sentencia coincidirá con uno o más caracteres que sean cualquier cosa excepto un punto. Toda la sentencia se encierra entre paréntesis por una razón distinta de las que hemos visto hasta ahora: esta vez es para guardar lo que coincida con esta sentencia para utilizarlo en el reemplazo.

|.com
Por último, debe coincidir con un ".com" al final.

Ahora, en el reemplazo podemos usar "$1" para incluir lo que hayamos guardado entre los paréntesis en el patrón de búsqueda. Si tuvieras una segunda sentencia como esta en el patrón de búsqueda podrías usarla en el reemplazo usando "$2".

Puedes jugar con esta regex de búsqueda y sustitución aquí: http://regex101.com/r/bW5vX8/1

Sin embargo, este patrón de búsqueda tiene algunas limitaciones reales. Sólo puede coincidir con URL que empiecen por "test." y terminen en ".com". ¿Cómo cree que podría modificarlo para que coincidiera con las URL que terminan en ".com", ".net" u ".org"?

Más información sobre Regex

Este manual te ha proporcionado un curso intensivo sobre expresiones regulares, pero hay mucho más que aprender. Puedes obtener más información sobre regex en Wikipedia o expresiones regulares.info.

Blair Williams

El desarrollador y empresario Blair Williams es la fuerza visionaria y creativa detrás de MemberPress, el plugin de monetización, LMS y membresía #1 del mundo para WordPress. Su habilidad para identificar las carencias del mercado le ha llevado a desarrollar otros plugins de WordPress de primer nivel, lo que le ha convertido en un experto del sector. Fundador experimentado con una combinación única de perspicacia técnica y empresarial, Blair es una autoridad muy solicitada en los ámbitos de WordPress y el comercio electrónico. Sus ideas ofrecen algo más que información útil: aportan conocimientos innovadores que cambian por completo las reglas del juego.

Ver biografía completa