SCRAPE_BY_REGEX

Grupo 0 (o padrão) retorna todo o texto correspondente. Grupo 1 retorna apenas o texto dentro do primeiro conjunto de parênteses no seu padrão. Por exemplo, com o padrão "Preço: (R\$[0-9,]+)" aplicado ao texto "Preço: R$29,99", grupo 0 retorna "Preço: R$29,99" e grupo 1 retorna "R$29,99". Isso é útil quando você precisa corresponder a um padrão para contexto mas apenas extrair parte dele. Você pode ter múltiplos grupos de captura (grupo 2, grupo 3, etc.) adicionando mais seções entre parênteses ao seu padrão.

Habilite removeHtml (defina como TRUE) quando: (1) O texto que você quer corresponder está dividido em múltiplas tags HTML, como um preço exibido como "<span>R$</span><span>29</span>,<span>99</span>". (2) Tags HTML estão interferindo com suas correspondências de padrão. (3) Você quer corresponder apenas ao conteúdo de texto visível, ignorando toda marcação. (4) Seu regex é projetado para texto plano, não HTML. Deixe como FALSE quando você especificamente precisa corresponder a atributos HTML, nomes de tags ou estrutura de marcação.

O motor regex suporta flags inline usando a sintaxe (?flags) no início do seu padrão. Use "(?i)" para correspondência insensível a maiúsculas, "(?s)" para modo de linha única (ponto corresponde a quebras de linha), e "(?m)" para modo multilinha. Por exemplo, "(?i)preço:\s*R\$[0-9,]+" corresponde a variantes de "Preço:", "PREÇO:" e "preço:". Você pode combinar flags: "(?im)" habilita tanto modo insensível a maiúsculas quanto multilinha.

Por padrão, o regex é aplicado ao código HTML fonte bruto, que inclui todas as tags, atributos e marcação. Por exemplo, um padrão como "[A-Z][a-z]+" destinado a corresponder a palavras capitalizadas também pode corresponder a nomes de tags como "Div" ou "Span". Defina removeHtml como TRUE para remover todas as tags HTML primeiro, para que seu regex veja apenas o conteúdo de texto visível. Alternativamente, torne seu regex mais específico para excluir padrões HTML.

O motor regex suporta sintaxe completa compatível com PCRE incluindo lookaheads, lookbehinds, grupos sem captura, quantificadores preguiçosos e classes de caracteres. No entanto, padrões extremamente complexos com backtracking excessivo (como quantificadores aninhados como "(a+)+") podem causar erros de timeout. Mantenha os padrões tão simples e específicos quanto possível. Se você se encontrar escrevendo padrões regex muito longos, considere usar SCRAPE_BY_CSS_PATH ou SCRAPE_BY_XPATH para reduzir o conteúdo primeiro, então use regex no resultado.

REGEXEXTRACT é uma função nativa do Google Sheets que aplica um regex a texto já na sua planilha. SCRAPE_BY_REGEX busca uma página web e aplica o regex ao conteúdo da página, combinando busca web e extração em um único passo. Você poderia alcançar resultados similares usando SCRAPE_BY_CSS_PATH para obter o texto da página e então REGEXEXTRACT no resultado, mas SCRAPE_BY_REGEX é mais eficiente pois processa tudo no lado do servidor em uma requisição e pode retornar múltiplas correspondências.

Por padrão, o ponto (.) em regex não corresponde a caracteres de quebra de linha. Se você precisa corresponder através de quebras de linha, use a flag inline "(?s)" no início do seu padrão para habilitar o modo de linha única, onde ponto corresponde a qualquer caractere incluindo quebras de linha. Por exemplo, "(?s)<div class="product">.*?</div>" corresponde a uma div e todo seu conteúdo através de múltiplas linhas. A flag (?m) faz ^ e $ corresponderem ao início/fim de cada linha em vez da string inteira.