Skip to main content
I dati grezzi estratti raramente sono abbastanza puliti da poter essere usati direttamente. Dopo che i selettori hanno individuato i valori desiderati, le stringhe prelevate dalla pagina spesso contengono elementi superflui. Il prezzo di un prodotto può includere simboli di valuta, spazi e testo finale. Un numero di telefono può comparire in tre formati diversi nello stesso sito. Le date possono essere scritte come “May 15, 2026” in un punto e “2026-05-15” in un altro. Le espressioni regolari, o regex, sono lo strumento standard per pulire, estrarre e riformattare questo tipo di testo disordinato in campi strutturati e coerenti. Le regex definiscono un modello che descrive la forma del testo desiderato. Il motore analizza una stringa, trova le corrispondenze e consente di estrarle o sostituirle. Non è necessario padroneggiare ogni caso limite della sintassi regex per trarne un vantaggio concreto: pochi modelli comuni coprono la grande maggioranza delle operazioni di pulizia necessarie nello scraping.

​
Modelli comuni per la pulizia

Una piccola raccolta di modelli riutilizzabili gestisce la maggior parte dei casi reali:
  • Prezzi. [\d,.]+ acquisisce valori numerici con virgole e punti decimali, rimuovendo simboli di valuta e testo circostante. La versione più precisa (\d{1,3}(?:,\d{3})*(?:\.\d{2})?) riconosce formati standard come 1,299.99.
  • Numeri di telefono. \(?\d{3}\)?[-.\s]?\d{3}[-.\s]?\d{4} gestisce i comuni formati statunitensi, con o senza parentesi e con gruppi separati da trattini, punti o spazi.
  • Email. [\w.+-]+@[\w-]+\.[\w.]+ riconosce la maggior parte degli indirizzi email standard, uno degli impieghi più noti delle regex.
  • Date. \d{4}-\d{2}-\d{2} riconosce il formato ISO; \w+ \d{1,2}, \d{4} gestisce stringhe nello stile May 15, 2026.
  • Rimozione dei tag HTML. <[^>]+> rimuove i tag da una stringa.
  • Normalizzazione degli spazi. \s+ riduce le sequenze di spazi a un solo spazio.

​
Consigli pratici

  • Esegui test su campioni reali. Le pagine vere presentano particolarità assenti negli esempi ideali. Prova il modello sull’output del sito di destinazione prima di considerarlo affidabile.
  • Usa quantificatori non avidi (*?, +?). Quando il motore può scegliere tra una corrispondenza breve e una lunga, * e + selezionano per impostazione predefinita quella più lunga. Spesso non è ciò che serve.
  • Usa i gruppi di acquisizione. Le parentesi () permettono di estrarre solo la parte che interessa da una corrispondenza più ampia: sono utili quando occorre riconoscere il contesto attorno al dato, ma conservare soltanto il dato stesso.
  • Fai attenzione ai casi limite locali. Una regex per prezzi basata sul formato statunitense (1,299.99) funzionerà male con i numeri europei (1.299,99), nei quali virgola e punto si scambiano di ruolo. Lo stesso vale per date, numeri di telefono e notazioni decimali.

​
L’approccio di Octoparse

Le regex hanno la meritata reputazione di essere difficili da scrivere e ancora più difficili da leggere. Un modello complesso può sembrare un insieme incomprensibile di simboli e un piccolo errore può riconoscere silenziosamente dati sbagliati o ignorare voci valide. L’errore non provoca un arresto: genera dati danneggiati che vengono scoperti soltanto a valle, a volte molto tempo dopo. Octoparse integra il supporto alle regex direttamente nel flusso di estrazione: gli utenti possono applicare trasformazioni regex a qualsiasi campo estratto come fase di post-elaborazione, pulendo e riformattando i dati prima dell’esportazione senza scrivere script separati. Il modello, il campo al quale si applica e l’output pulito fanno tutti parte della stessa definizione dell’attività. Per chi non si sente a proprio agio nello scrivere regex da zero, Octoparse offre anche la generazione di regex assistita dall’AI: evidenziando elementi simili nella pagina, l’AI analizza gli schemi degli esempi e genera automaticamente una regex corrispondente. Il modello può quindi essere provato sui dati effettivamente estratti all’interno della piattaforma: è possibile vedere che cosa riconosce e modificarlo se necessario. L’AI gestisce la sintassi; l’utente convalida il risultato. Questo approccio risolve i due costi reali delle regex in un flusso di scraping: scrivere i modelli partendo da zero e verificare che producano il risultato previsto sui dati reali. Entrambe le attività vengono assorbite dall’editor visuale invece di rimanere operazioni tecniche separate.

​
In sintesi

Per la maggior parte dei progetti di scraping non servono regex molto complesse. Una piccola raccolta di modelli riutilizzabili per prezzi, email, date, numeri di telefono e pulizia degli spazi copre gran parte delle esigenze. Mantieni i modelli più semplici possibile senza comprometterne l’accuratezza, documentali se prevedi di gestire lo scraper a lungo termine e affidati alla generazione tramite AI quando la sintassi diventa poco maneggevole. L’obiettivo è ottenere un output pulito e coerente: le regex sono il mezzo, non il fine.