Análisis de HTML en Kotlin: bibliotecas y ejemplos de código

Análisis de HTML en Kotlin: revisión completa de herramientas y bibliotecas

Kotlin es un lenguaje de programación moderno que funciona en JVM, Android y en el navegador. Gracias a la compatibilidad con Java y a su potente biblioteca estándar, Kotlin ofrece varias formas eficientes de analizar HTML. En este artículo, revisaremos las principales bibliotecas para el análisis de HTML en Kotlin, sus características y proporcionaremos ejemplos prácticos de código.

1. Jsoup — analizador HTML universal para Kotlin

Jsoup es la biblioteca más popular para analizar HTML en JVM. Funciona excelentemente con Kotlin gracias a su total compatibilidad con Java. Jsoup permite cargar HTML desde una URL, archivo o cadena, y luego extraer datos usando selectores CSS y navegación DOM.

Instalación de Jsoup en un proyecto Kotlin

Agregue la dependencia en build.gradle.kts:

dependencies {    implementation("org.jsoup:jsoup:1.17.2")}

Ejemplo de análisis de HTML con Jsoup

import org.jsoup.Jsoupimport org.jsoup.nodes.Document

fun main() {    val url = "https://example.com"    val doc: Document = Jsoup.connect(url).get()        val title = doc.title()    println("Título de la página: $title")        // Extraemos todos los enlaces    val links = doc.select("a[href]")    links.forEach { link ->        println("Enlace: ${link.attr("abs:href")} — ${link.text()}")    }        // Análisis desde una cadena    val html = "<div class='content'>¡Hola, Kotlin!</div>"    val parsed = Jsoup.parse(html)    val text = parsed.select(".content").text()    println("Texto del HTML: $text")}

2. Ktor Client + kotlinx.html — enfoque nativo de Kotlin

Para proyectos que usan Ktor como cliente HTTP, una excelente opción es la combinación de ktor-client y kotlinx.html. El primero se encarga de descargar las páginas, el segundo de analizar el HTML en una estructura DOM tipada.

Dependencias para Ktor y kotlinx.html

dependencies {    implementation("io.ktor:ktor-client-core:2.3.7")    implementation("io.ktor:ktor-client-cio:2.3.7")    implementation("org.jetbrains.kotlinx:kotlinx-html-jvm:0.11.0")}

Ejemplo de análisis con Ktor y kotlinx.html

import io.ktor.client.*import io.ktor.client.request.*import io.ktor.client.statement.*import kotlinx.html.*import kotlinx.html.parser.*

suspend fun parseHtmlWithKtor() {    val client = HttpClient()    val response: HttpResponse = client.get("https://example.com")    val htmlContent = response.bodyAsText()        val document = parseHtml(htmlContent)    val title = document.head?.title ?: "Sin título"    println("Título: $title")        // Extraemos todos los párrafos    document.body?.allElements?.filterIsInstance<P>()?.forEach { p ->        println("Párrafo: ${p.text}")    }        client.close()}

3. Comparación de bibliotecas para el análisis de HTML en Kotlin

La elección de la herramienta depende de la tarea específica. Estos son los criterios principales:

• Jsoup — la mejor opción para análisis complejos con selectores CSS. Adecuado para scraping de datos, extracción de tablas, formularios y elementos multimedia.
• Ktor + kotlinx.html — ideal para proyectos en Ktor que requieren un análisis ligero sin dependencias adicionales. Funciona de forma asíncrona.
• HtmlCleaner — otra biblioteca Java, bien compatible con Kotlin. Útil para limpiar HTML "sucio".
• OkHttp + Jsoup — combinación para un ajuste fino de las solicitudes HTTP con un potente análisis.

4. Técnicas avanzadas de análisis en Kotlin

Extracción de datos con selectores CSS (Jsoup)

val doc = Jsoup.connect("https://news.ycombinator.com").get()val stories = doc.select("tr.athing")stories.forEach { story ->