Regresa todos <p> y <h> tags con aplicaciones script</h></p>

Estoy tratando de devolver el título, etiquetas H y etiquetas P en una página web usando script de aplicaciones en Google Spreadsheet.

Intenté esta función pero no parece recuperar algunas etiquetas dependiendo de la fuente.

function myfunction(url) {
  var _options = {
    method: "GET"
  };

  try {
    var _response = UrlFetchApp.fetch(url, _options);
    var _regexp =  /]*?>(.*?)<\/title>|.*]*?>(.*?)<\/h[1-6]>|]*?>.*?<\/p>/gi;
        var _tag = _response.getContentText().match(_regexp);

    return _tag;
  } catch (e) {
    return e;
  }
}

Por ejemplo este sitio no devuelve la etiqueta H1.

Soy nuevo en aplicaciones script y regex, y sería genial si pudiera conseguir algunas pistas.

¡Gracias!

Pregunta hecha hace 3 años, 4 meses, 24 días - Por csscraftsman

3 Respuestas:

• Con la expresión actualizada del regex el código parecería:

  function myfunction(url) {
    var _options = {
      method: "GET"
    };
  
    try {
      var _response = UrlFetchApp.fetch(url, _options);
      var _regexp =  /]*?>(.|\n|\r)*?<\/title>|.*]*?>(.|\n|\r)*?<\/h[1-6]>|]*?>(.|\n|\r)*?<\/p>/gi;
          var _tag = _response.getContentText().match(_regexp);
  
      return _tag;
    } catch (e) {
      return e;
    }
  }
  

  El problema inicial era que . en regex no incluye roturas de línea. Esto se fijó reemplazando . con (.|\n|\r), que incluye roturas de línea.

  Respondida el Dec 21, 2020 a las 09:08 - por quantumquasar

  Votos positivos: 0 | Votos negativos: 0

  Votar positivo

  Votar negativo

---

• Parece que el error en tu código está en la expresión regular que estás utilizando para extraer las etiquetas "" y "

  ". Aquí te dejo una expresión regular corregida que debería funcionar correctamente para tu caso:

  javascript
  var _regexp = /]?>(.?)<\/title>|]?>(.?)<\/h[1-6]>|]?>(.?)<\/p>/gi;
  

  Con esta expresión regular, deberías ser capaz de extraer correctamente las etiquetas "