Expresiones Regulares

Visión general

Las expresiones regulares (regex) son secuencias de caracteres que definen patrones de búsqueda. Son la herramienta estándar para validación de texto, extracción, sustitución y parsing en prácticamente todos los lenguajes de programación y editores de texto.

A pesar de su sintaxis críptica, regex es indispensable para trabajar con texto no estructurado, validación de formularios, parsing de logs y limpieza de datos.

Cuándo usarlo

Usa esta recipe cuando:

• Validas direcciones de email, números de teléfono o IDs. Consulta Data Validation para enfoques basados en schemas.
• Extraes datos de texto no estructurado o archivos de log
• Reemplazas o formateas strings con reglas complejas
• Divides texto en delimitadores en vivo
• Buscas patrones dentro de documentos grandes

Solución

Python

import re

text = "Contact us at support@example.com or sales@example.org"

# Buscar patrón de email
pattern = r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b'
matches = re.findall(pattern, text)
print(matches)  # ['support@example.com', 'sales@example.org']

# Extraer grupos
match = re.search(r'(\w+)@(\w+\.\w+)', text)
if match:
    print(match.group(1))  # support
    print(match.group(2))  # example.com

# Reemplazar
new_text = re.sub(r'\b\w+@\w+\.\w+\b', '[REDACTED]', text)
print(new_text)  # Contact us at [REDACTED] or [REDACTED]

JavaScript

const text = "Contact us at support@example.com or sales@example.org";

// Match todos los emails
const pattern = /\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}\b/g;
const matches = text.match(pattern);
console.log(matches);  // ['support@example.com', 'sales@example.org']

// Extraer grupos
const groupPattern = /(\w+)@(\w+\.\w+)/;
const match = text.match(groupPattern);
if (match) {
  console.log(match[1]); // support
  console.log(match[2]); // example.com
}

// Reemplazar
const newText = text.replace(/\b\w+@\w+\.\w+\b/g, '[REDACTED]');
console.log(newText); // Contact us at [REDACTED] or [REDACTED]

Java

import java.util.regex.*;

String text = "Contact us at support@example.com or sales@example.org";

Pattern pattern = Pattern.compile("\\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Za-z]{2,}\\b");
Matcher matcher = pattern.matcher(text);

while (matcher.find()) {
    System.out.println(matcher.group());  // support@example.com, sales@example.org
}

// Extraer grupos
Pattern groupPattern = Pattern.compile("(\\w+)@(\\w+\\.\\w+)");
Matcher groupMatcher = groupPattern.matcher(text);
if (groupMatcher.find()) {
    System.out.println(groupMatcher.group(1));  // support
    System.out.println(groupMatcher.group(2));  // example.com
}

Explicación

• Patrón: La cadena regex que define qué buscar
• Matcher / Match object: Contiene el resultado de aplicar un patrón a texto
• Grupos (()): Capturan sub-expresiones para extracción
• Flags (i, g, m): Modifican el comportamiento (case-insensitive, global, multiline)
• Clases de caracteres ([a-z], \d, \w): Coinciden con conjuntos de caracteres

Patrones comunes

Patrón	Descripción	Ejemplo
\d{3}-\d{2}-\d{4}	Número de Seguro Social de EE.UU.	123-45-6789
\b\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}\b	Dirección IPv4	192.168.1.1
https?://[^\s]+	URL	https://example.com
^\d{4}-\d{2}-\d{2}$	Fecha ISO (YYYY-MM-DD)	2024-03-15
^[A-Za-z0-9+_.-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}$	Email (básico)	user@domain.com
^#[0-9A-Fa-f]{6}$	Código de color hex	#3B82F6
^(?=.*[a-z])(?=.*[A-Z])(?=.*\d).{8,}$	Contraseña fuerte	MyP@ssw0rd
^\+?[1-9]\d{1,14}$	Teléfono internacional (E.164)	+14155552671
^[a-zA-Z0-9_-]+$	Nombre de archivo seguro	my-file_v2

Consideraciones de rendimiento

ReDoS (Regular Expression Denial of Service)

Regex mal escritos con cuantificadores anidados pueden causar backtracking catastrófico, consumiendo el 100% de CPU en una sola petición:

Peligroso: (a+)+$  contra "aaaaaaaaaaaaaaaaaaaaaaaaaaaa!"
Seguro:    a+$     contra el mismo input

Estrategias de mitigación:

• Evita cuantificadores anidados ((a+)+, (a*)*) siempre que sea posible
• Usa cuantificadores posesivos (++, *+) o grupos atómicos si tu motor lo soporta
• Establece un timeout razonable en operaciones regex en producción
• Testea con inputs maliciosos durante el desarrollo

Coste de compilación

La mayoría de motores regex compilan patrones en una representación interna. Recompilar el mismo patrón en un loop es ineficiente:

# Malo: compila el patrón en cada iteración
for line in lines:
    re.search(r'\berror\b', line)

# Bueno: compila una vez y reutiliza
error_pattern = re.compile(r'\berror\b')
for line in lines:
    error_pattern.search(line)

Lo que funciona

• Siempre escapa caracteres especiales cuando construyas regex en vivo. Consulta Input Validation para manejo seguro de strings.
• Usa raw strings en Python (r'...') para evitar escapes dobles
• Prefiere clases de caracteres explícitas sobre . (dot) para matching predecible
• Ancla tus patrones con ^ y $ al validar strings completos
• Testea con casos edge: strings vacíos, Unicode, inputs muy largos
• Documenta patrones complejos con comentarios o el flag verbose (?x)

Errores comunes

• Olvidar escapar backslashes (usa raw strings en Python)
• Usar cuantificadores greedy (.*) cuando se necesita non-greedy (.*?)
• No anclar patrones de validación, permitiendo matches parciales
• Ignorar Unicode y caracteres internacionales en texto real
• Escribir regex excesivamente complejas cuando una función de string simple basta

Cuando No Usar Este Enfoque

• El schema es desconocido o cambia frecuentemente: si la estructura de datos cambia semanalmente, los schemas de validacion rigidos se convierten en una carga de mantenimiento. Usa schemas flexibles con campos opcionales o schema registries que evolucionan con los datos
• Los datos caben en una base de datos: si los datos necesitan querying, indexing o transacciones, almacenarlos en archivos JSON y manipularlos en memoria es el enfoque equivocado. Usa una base de datos (PostgreSQL, MongoDB, SQLite) para datos estructurados persistentes
• Validacion en tiempo real de datos streaming: la validacion batch de payloads JSON es muy lenta para streaming. Usa schema registries (Confluent Schema Registry) con Avro/Protobuf para validacion de streaming
• Type checking simple: si solo necesitas verificar que un valor es string o number, un validador de schema completo es excesivo. Usa isinstance() o ypeof checks directamente
• Transformaciones CPU-bound en datasets grandes: si procesar 10M+ records toma minutos, la manipulacion en memoria llega a sus limites. Usa operaciones vectorizadas (NumPy, pandas) o procesamiento del lado de la base de datos
• Procesamiento distribuido de datos: si los datos spanean multiples maquinas, la manipulacion local de JSON no funciona. Usa Spark, Dask o Ray para procesamiento distribuido de datos

Benchmarks de Rendimiento

• Serializacion JSON: json.dumps() en Python serializa 1MB de datos en 30-100ms. orjson serializa los mismos datos en 5-15ms. msgpack es 2-3x mas rapido que JSON con output mas pequeño
• Validacion de schema: jsonschema valida 10,000 documentos JSON contra un schema en 2-10 segundos. pydantic valida el mismo volumen en 0.5-2 segundos. FastAPI usa pydantic para validacion de requests a 10,000+ req/s
• Performance de deep clone: copy.deepcopy() en un objeto Python de 1MB toma 50-200ms. json.loads(json.dumps(obj)) toma 30-80ms pero pierde tipos no serializables. Round-trip con msgpack toma 10-30ms
• Performance de sort: sorted() en Python sobre 1M enteros toma 200-400ms. umpy.sort() sobre el mismo array toma 50-100ms. Array.sort() de JavaScript sobre 1M numeros toma 100-300ms (V8 Timsort)
• Performance de diff: difflib comparando dos archivos de 10,000 lineas toma 500ms-2s. deepdiff comparando dos objetos JSON de 1MB toma 200ms-1s. Diffing basado en hash (comparar SHA-256) toma <1ms
• Performance de regex: regex compilado en Python matchea 1M strings en 50-200ms. Regex no compilado toma 2-5x mas. Patrones de catastrophic backtracking pueden colgarse por horas con input adversarial

Estrategia de Testing

• Test con datos edge-case: objetos vacios, null values, arrays anidados, strings Unicode, numeros muy grandes (>2^53) y arrays de tipos mixtos. Estos revelan bugs de type coercion y issues de overflow
• Test de round-trips de serializacion: serializa un objeto, deserializalo, y compara. El testing round-trip detecta perdida de datos por type coercion (ej. int a float, datetime a string)
• Test de fallos de validacion de schema: verifica que los datos invalidos sean rechazados con mensajes de error claros. Testea cada regla de validacion independientemente (campos requeridos, type checks, format checks, range checks)
• Test con input adversarial: JSON profundamente anidado (10,000 niveles), strings enormes (1MB+), muchas keys (100,000+) y keys duplicadas. Estos testean limites del parser y resistencia a DoS
• Test de estabilidad de sort: verifica que elementos iguales mantengan su orden original. sorted() de Python es estable. Array.sort() de JavaScript es estable en V8 desde ES2019. Testea con comparadores custom
• Test de regex contra input malicioso: patrones como (a+)+b causan catastrophic backtracking en input como aaaaaaaaaaaaaaaaaaa!. Testea regex con patrones resistentes a ReDoS y setea timeouts

Estimacion de Costos

• Overhead de validacion: la validacion de schema agrega 5-20% de latencia al procesamiento de requests. Para un servicio que maneja 10,000 req/s, esto cuesta 1-2 cores extra (-100/mes). Salta la validacion para trafico interno confiable
• Memoria para JSON grande: un archivo JSON de 500MB usa 2-3GB en memoria despues del parsing (overhead de dict de Python). Procesar 10 archivos asi simultaneamente requiere una instancia de 32GB (-400/mes)
• Infraestructura de caching: Redis para cachear datos validados cuesta -200/mes para un cache de 10GB. Memcached es mas barato pero carece de persistencia. LRU cache a nivel aplicacion es gratis pero limitado a un solo proceso
• Costo de desarrollo: escribir validadores custom toma 4-16 horas por tipo de dato. Usar pydantic o zod reduce esto a 1-2 horas. Schema-first design (OpenAPI, JSON Schema) agrega 2-4 horas upfront pero ahorra 10+ horas en debugging
• Tradeoffs de formato de serializacion: JSON es human-readable pero 2-5x mas grande que formatos binarios. Cambiar a msgpack o Protobuf reduce costos de bandwidth en 50-80% pero agrega complejidad de debugging

Monitoring y Observabilidad

• Tasa de errores de validacion: trackea el porcentaje de inputs que fallan validacion. Alerta cuando la tasa de error excede 5%. Tasas altas indican schema drift o problemas de calidad de datos upstream
• Duracion de serializacion: monitorea el tiempo gastado serializando/deserializando. Si la serializacion excede 10% del tiempo de request, considera formatos mas rapidos (msgpack, Protobuf) o cachear output serializado
• Cache hit rate: si cacheas datos validados, monitorea el hit rate. Un hit rate menor a 50% indica que la estrategia de cache key es incorrecta o los datos cambian muy frecuentemente
• Uso de memoria de estructuras de datos: monitorea el peak de memoria despues de cargar objetos JSON grandes. Un aumento de 3x desde el baseline indica payloads mas grandes o un memory leak en la logica de parsing
• Tiempo de ejecucion de regex: loguea operaciones de regex lentas (>100ms). Regex lentas en input del usuario son un vector de DoS. Setea timeouts y usa herramientas de analisis estatico para detectar catastrophic backtracking

Deployment Checklist

• Setear tamaño maximo de payload: rechazar payloads JSON mas grandes que 1MB (o limite apropiado) en el load balancer. Retornar HTTP 413 para payloads oversized
• Configurar versionado de schema: incluye un campo de schema version en los datos validados. Rechaza datos con versiones desconocidas para prevenir schema drift silencioso
• Setear limites de profundidad de recursion: para validacion o serializacion recursiva, setea una profundidad maxima (ej. 100). Rechaza datos que excedan el limite para prevenir stack overflow
• Habilitar caching para datos validados: cachea resultados de validacion con un TTL. Usa el hash del input raw como cache key. Invalida en cambios de schema
• Configurar respuestas de error: retorna errores de validacion estructurados con field paths y mensajes. No expongas detalles internos del schema en respuestas de error
• Setear timeouts de regex: usa e.TIMEOUT (Python 3.11+) o corre regex en un proceso separado con timeout. Mata operaciones de regex que excedan 1 segundo

Consideraciones de Seguridad

• Prototype pollution via JSON merge: mergear JSON del usuario con keys proto o constructor puede pollear prototypes de objetos JavaScript. Usa Object.create(null) o strippa keys peligrosas antes de mergear
• Ataques de deserializacion: pickle.loads() en Python y unserialize() en PHP ejecutan codigo arbitrario. Nunca deserialices datos no confiables con estos formatos. Usa JSON o Protobuf para input no confiable
• Regex DoS (ReDoS): patrones con quantifiers anidados como (a+)+ causan backtracking exponencial. Un atacante puede colgar el server con un input de 30 caracteres. Usa RE2 (regex linear-time) o setea timeouts
• Inyeccion JSON via key collision: keys duplicadas en JSON ({“role”: “user”, “role”: “admin”) son manejadas diferentemente por los parsers. Python usa el ultimo valor, JavaScript usa el ultimo valor, pero algunos parsers usan el primero. Rechaza keys duplicadas
• Cache poisoning via bypass de validacion: si los resultados de validacion se cachean por hash de input, un atacante que encuentra una colision de hash puede inyectar un resultado cacheado “valido” para input invalido. Usa SHA-256 (resistente a colisiones) para cache keys
• Type confusion en lenguajes dinamicos: isinstance(x, int) retorna True para True en Python (bool es subclase de int). Valida tipos explicitamente con ype(x) is int para codigo security-sensitive
• Fuga de informacion en mensajes de error: errores de validacion que incluyen detalles del schema, nombres internos de campos o stack traces ayudan a los atacantes a entender el sistema. Retorna mensajes de error genericos a los clientes
• Deep clone bypassando checks de seguridad: si un objeto security-sensitive se clona y el clone salta validacion, un atacante puede modificar el clone para bypassar checks. Re-valida objetos clonados en contextos security-sensitive
• Inyeccion de comparador de sort: si los comparadores de sort vienen de input del usuario, un atacante puede proveer un comparador que throw o cuelgue. Usa comparadores fijos para sorting security-sensitive
• Diff leakeando datos sensibles: si el output de diff se loguea o muestra, puede exponer campos sensibles (passwords, tokens). Masquea campos sensibles antes de diffing
• Enumeracion de cache keys: si las cache keys son secuenciales o predecibles, un atacante puede enumerar datos cacheados. Usa UUIDs random o cache keys basadas en HMAC
• Bypass de validacion basada en regex: ^pattern$ con e.DOTALL permite que . matchee newlines, potencialmente bypassando validacion basada en lineas. Usa e.ASCII y anchors explicitos para regexes security-sensitive

Variantes y Alternativas

• Validacion schema-first vs code-first: JSON Schema, OpenAPI y Protobuf definen schemas en un formato agnostico del lenguaje. Pydantic, zod y joi definen schemas en codigo. Schema-first habilita validacion cross-language pero requiere un build step
• Validacion estricta vs leniente: validacion estricta rechaza campos desconocidos. Validacion leniente los ignora. Para APIs, validacion estricta previene errores de cliente por typos. Para pipelines de datos, validacion leniente maneja evolucion de schema
• Deep copy vs shallow copy vs structural sharing: deep copy duplica todo (caro, seguro). Shallow copy sharea referencias (rapido, inseguro para mutacion). Structural sharing (usado en immutable.js, Immer) copia solo los paths cambiados
• Sort in-place vs copy sort: list.sort() sortea in-place (0 memoria extra). sorted() retorna una lista nueva (memoria O(n)). Para datasets grandes, sort in-place es preferido. Para pipelines funcionales, copy sort es mas seguro
• Caching centralizado vs distribuido: Redis/Memcached son caches centralizados compartidos entre instancias. Caches in-process (LRU, functools.lru_cache) son mas rapidos pero no compartidos. Usa caching two-level (in-process + Redis) para mejor performance
• Validacion sync vs async: validacion sincrona bloquea el event loop. Validacion async permite validacion concurrente de multiples payloads. Para APIs de alto throughput, validacion async con pydantic o zod es preferida

Pitfalls Comunes en Produccion

• Breaks por evolucion de schema: agregar un campo requerido rompe clientes existentes. Remover un campo rompe consumidores que dependen de el. Usa campos opcionales con defaults y versiona el schema explicitamente
• El orden de validacion importa: valida formato primero (barato), luego tipo (medio), luego reglas de negocio (caro). Validar reglas de negocio en input malformado gasta CPU y produce mensajes de error confusos
• Type coercion silenciosa: int(“3.14”) levanta ValueError pero loat(“3”) tiene exito. Los parsers JSON coercean strings a numeros en algunos lenguajes. Deshabilita explicitamente type coercion en validacion para prevenir comportamiento inesperado
• Cache stampede: cuando una cache entry expira, todos los requests concurrentes hittean el backend simultaneamente. Usa cache warming, expiracion temprana probabilistica, o request coalescing para prevenir stampedes
• Trampas de performance de deep copy: copy.deepcopy() en objetos con referencias circulares causa recursion infinita. Usa parametro memo o detecta ciclos. En objetos grandes, deepcopy puede tomar segundos
• Inestabilidad de sort con keys custom: sorted() de Python es estable, pero key functions custom que retornan valores iguales para items diferentes pueden producir ordenamientos inesperados. Documenta el contrato de sort explicitamente

Preguntas frecuentes

P: ¿Debería usar regex para parsear HTML? R: No. HTML no es un lenguaje regular. Usa un parser de HTML apropiado (BeautifulSoup, DOM API, Jsoup).

P: ¿Cuál es la diferencia entre match() y search() en Python? R: match() verifica solo al principio del string. search() escanea todo el string.

P: ¿Cómo hago un regex case-insensitive? R: Usa el flag i (JavaScript), re.IGNORECASE (Python), o Pattern.CASE_INSENSITIVE (Java).

¿Esta solución está lista para producción?

Sí. Los ejemplos de código arriba muestran implementaciones probadas. Adapta el manejo de errores y la configuración a tu entorno específico antes de desplegar.

¿Cuáles son las características de rendimiento?

El rendimiento depende de tu volumen de datos e infraestructura. Las soluciones mostradas priorizan claridad. Para escenarios de alto throughput, añade caching, batching y connection pooling según sea necesario.

¿Cómo depuro problemas con este enfoque?

Empieza con el ejemplo mínimo de arriba. Añade logging en cada paso. Prueba con entradas pequeñas primero, luego escala. Usa el debugger de tu lenguaje para revisar los edge cases.