SCRAPE_BY_REGEX

Le groupe 0 (par défaut) renvoie tout le texte correspondant. Le groupe 1 renvoie uniquement le texte à l'intérieur du premier ensemble de parenthèses dans votre motif. Par exemple, avec le motif "Prix: (\€[0-9,]+)" appliqué au texte "Prix: 29,99€", le groupe 0 renvoie "Prix: 29,99€" et le groupe 1 renvoie "29,99€". C'est utile lorsque vous devez correspondre à un motif pour le contexte mais extraire seulement une partie de celui-ci. Vous pouvez avoir plusieurs groupes de capture (groupe 2, groupe 3, etc.) en ajoutant plus de sections entre parenthèses à votre motif.

Activez removeHtml (définir sur TRUE) lorsque : (1) Le texte que vous voulez faire correspondre est divisé entre plusieurs balises HTML, comme un prix affiché comme "<span>€</span><span>29</span>,<span>99</span>". (2) Les balises HTML interfèrent avec vos correspondances de motif. (3) Vous voulez correspondre uniquement au contenu texte visible, en ignorant tout le balisage. (4) Votre regex est conçu pour du texte brut, pas du HTML. Laissez-le sur FALSE lorsque vous devez spécifiquement correspondre aux attributs HTML, aux noms de balises ou à la structure de balisage.

Le moteur regex prend en charge les indicateurs en ligne en utilisant la syntaxe (?indicateurs) au début de votre motif. Utilisez "(?i)" pour la correspondance insensible à la casse, "(?s)" pour le mode ligne unique (le point correspond aux nouvelles lignes), et "(?m)" pour le mode multiligne. Par exemple, "(?i)prix:\s*\€[0-9,]+" correspond aux variantes "Prix:", "PRIX:" et "prix:". Vous pouvez combiner des indicateurs : "(?im)" active à la fois les modes insensible à la casse et multiligne.

Par défaut, le regex est appliqué au code HTML source brut, qui inclut toutes les balises, attributs et balisages. Par exemple, un motif comme "[A-Z][a-z]+" destiné à correspondre aux mots capitalisés pourrait également correspondre aux noms de balises comme "Div" ou "Span". Définissez removeHtml sur TRUE pour supprimer d'abord toutes les balises HTML, afin que votre regex ne voie que le contenu texte visible. Alternativement, rendez votre regex plus spécifique pour exclure les motifs HTML.

Le moteur regex prend en charge la syntaxe complète compatible PCRE, y compris les lookaheads, les lookbehinds, les groupes non capturants, les quantificateurs paresseux et les classes de caractères. Cependant, les motifs extrêmement complexes avec un retour en arrière excessif (comme les quantificateurs imbriqués comme "(a+)+") peuvent provoquer des erreurs de délai d'attente. Gardez les motifs aussi simples et spécifiques que possible. Si vous vous trouvez à écrire des motifs regex très longs, envisagez d'utiliser SCRAPE_BY_CSS_PATH ou SCRAPE_BY_XPATH pour réduire le contenu d'abord, puis utilisez regex sur le résultat.

REGEXEXTRACT est une fonction native de Google Sheets qui applique un regex au texte déjà dans votre feuille de calcul. SCRAPE_BY_REGEX récupère une page web et applique le regex au contenu de la page, combinant la récupération web et l'extraction en une seule étape. Vous pourriez obtenir des résultats similaires en utilisant SCRAPE_BY_CSS_PATH pour obtenir le texte de la page puis REGEXEXTRACT sur le résultat, mais SCRAPE_BY_REGEX est plus efficace car il traite tout côté serveur en une seule requête et peut renvoyer plusieurs correspondances.

Par défaut, le point (.) en regex ne correspond pas aux caractères de nouvelle ligne. Si vous devez correspondre sur plusieurs lignes, utilisez l'indicateur en ligne "(?s)" au début de votre motif pour activer le mode ligne unique, où le point correspond à n'importe quel caractère y compris les nouvelles lignes. Par exemple, "(?s)<div class="product">.*?</div>" correspond à un div et tout son contenu sur plusieurs lignes. L'indicateur (?m) fait en sorte que ^ et $ correspondent au début/fin de chaque ligne plutôt qu'à toute la chaîne.