SCRAPE_BY_REGEX

El grupo 0 (por defecto) devuelve todo el texto coincidente. El grupo 1 devuelve solo el texto dentro del primer conjunto de paréntesis en tu patrón. Por ejemplo, con el patrón "Precio: (\$[0-9.]+)" aplicado al texto "Precio: $29.99", el grupo 0 devuelve "Precio: $29.99" y el grupo 1 devuelve "$29.99". Esto es útil cuando necesitas coincidir con un patrón para contexto pero solo extraer parte de él. Puedes tener múltiples grupos de captura (grupo 2, grupo 3, etc.) agregando más secciones entre paréntesis a tu patrón.

Habilita removeHtml (establece en TRUE) cuando: (1) El texto que quieres coincidir está dividido en múltiples etiquetas HTML, como un precio mostrado como "<span>$</span><span>29</span>.<span>99</span>". (2) Las etiquetas HTML están interfiriendo con las coincidencias de tu patrón. (3) Quieres coincidir contra solo el contenido de texto visible, ignorando todo el marcado. (4) Tu regex está diseñado para texto plano, no HTML. Déjalo como FALSE cuando específicamente necesites coincidir con atributos HTML, nombres de etiquetas o estructura de marcado.

El motor regex soporta flags en línea usando la sintaxis (?flags) al comienzo de tu patrón. Usa "(?i)" para coincidencia insensible a mayúsculas, "(?s)" para modo de línea única (punto coincide con saltos de línea), y "(?m)" para modo multilínea. Por ejemplo, "(?i)precio:\s*\$[0-9.]+" coincide con variantes de "Precio:", "PRECIO:" y "precio:". Puedes combinar flags: "(?im)" habilita tanto modo insensible a mayúsculas como multilínea.

Por defecto, el regex se aplica al código HTML fuente sin procesar, que incluye todas las etiquetas, atributos y marcado. Por ejemplo, un patrón como "[A-Z][a-z]+" destinado a coincidir con palabras capitalizadas también podría coincidir con nombres de etiquetas como "Div" o "Span". Establece removeHtml en TRUE para eliminar primero todas las etiquetas HTML, para que tu regex solo vea el contenido de texto visible. Alternativamente, haz tu regex más específico para excluir patrones HTML.

El motor regex soporta sintaxis completa compatible con PCRE incluyendo lookaheads, lookbehinds, grupos sin captura, cuantificadores perezosos y clases de caracteres. Sin embargo, patrones extremadamente complejos con backtracking excesivo (como cuantificadores anidados como "(a+)+") pueden causar errores de timeout. Mantén los patrones tan simples y específicos como sea posible. Si te encuentras escribiendo patrones regex muy largos, considera usar SCRAPE_BY_CSS_PATH o SCRAPE_BY_XPATH para reducir el contenido primero, luego usa regex en el resultado.

REGEXEXTRACT es una función nativa de Google Sheets que aplica un regex a texto ya en tu hoja de cálculo. SCRAPE_BY_REGEX obtiene una página web y aplica el regex al contenido de la página, combinando obtención web y extracción en un solo paso. Podrías lograr resultados similares usando SCRAPE_BY_CSS_PATH para obtener el texto de la página y luego REGEXEXTRACT en el resultado, pero SCRAPE_BY_REGEX es más eficiente ya que procesa todo del lado del servidor en una solicitud y puede devolver múltiples coincidencias.

Por defecto, el punto (.) en regex no coincide con caracteres de salto de línea. Si necesitas coincidir a través de saltos de línea, usa el flag en línea "(?s)" al inicio de tu patrón para habilitar el modo de línea única, donde el punto coincide con cualquier carácter incluyendo saltos de línea. Por ejemplo, "(?s)<div class="product">.*?</div>" coincide con un div y todo su contenido a través de múltiples líneas. El flag (?m) hace que ^ y $ coincidan con el inicio/fin de cada línea en lugar de todo el string.