Extracción de texto (PEG frente a regex)

Al automatizar navegadores, con frecuencia se encuentran datos “desordenados”: texto con formato inconsistente, erratas o mezcla de distintos tipos de información en una sola cadena.

JavaScript y Lua recurren a expresiones regulares para esta tarea, pero el motor Janet de Guida incluye un motor integrado de Parsing Expression Grammar (PEG). Las PEG son una alternativa potente a regex que hace que la extracción compleja de texto sea más fácil de leer, escribir y mantener.

El problema con regex

Regex es excelente para patrones simples, pero se vuelve rápidamente ilegible, casi un lenguaje de solo escritura, cuando trata estructuras complejas o anidadas.

Imagine extraer el precio y el ID de un producto desde una cadena desordenada como "Item: SuperWidget (ID: 98765) - Only $49.99 today!".

JavaScript (regex)

const text = "Item: SuperWidget (ID: 98765) - Only $49.99 today!";

// Regex is dense and relies on capturing groups that are extracted by index
const regex = /\\(ID:\\s*(\\d+)\\).*?\\$([0-9.]+)/;
const match = text.match(regex);

if (match) {
  const id = match[1];
  const price = match[2];
  g.log(`Found ID: ${id}, Price: ${price}`);
}

Aunque esto funciona, la expresión regular es frágil. Si el formato cambia ligeramente, fallará, y modificarla exige gimnasia mental.

El enfoque Janet (PEG)

El módulo peg de Janet permite construir analizadores de forma composicional. En lugar de una cadena enorme y críptica, se define una gramática como diccionario de reglas legibles.

Janet (PEG)

(def text "Item: SuperWidget (ID: 98765) - Only $49.99 today!")

# Define a clean, compositional grammar
(def product-grammar
  (peg/compile
    ~{:id-rule (sequence "(ID: " (capture (some :d)) ")")
      :price-rule (sequence "$" (capture (some (choice :d "."))))

      # The main rule scans through the text looking for our rules
      :main (any (choice
                   :id-rule
                   :price-rule
                   1))}))

# Run the grammar against the text
(def results (peg/match product-grammar text))

(if results
  (do
    (def id (get results 0))
    (def price (get results 1))
    (g.log (string "Found ID: " id ", Price: " price))))

Por qué las PEG son mejores para datos web

1. Legibilidad: las reglas tienen nombre (:id-rule, :price-rule) y pueden referenciarse entre sí. No hay que descifrar una cadena regex de 50 caracteres.
2. Composición: puede construir analizadores complejos combinando reglas pequeñas y probadas.
3. Sin ambigüedad: a diferencia de regex, las PEG no retroceden del mismo modo impredecible. Coinciden exactamente con lo que se les indica, haciendo el rendimiento predecible.
4. Estructuras de datos: el módulo peg de Janet puede construir estructuras complejas, como arrays y diccionarios, directamente desde el paso de análisis, en lugar de devolver solo cadenas planas.

¿Cuándo usar cada una?

• Use JavaScript/Lua (regex) para validaciones simples, por ejemplo comprobar si una cadena parece un email.
• Use Janet (PEG) cuando necesite extraer varias piezas de datos relacionados desde un bloque de texto desordenado, o cuando el formato del sitio objetivo sea muy variable.