Parseo de HTML en Swift (iOS/macOS)

Parseo de HTML en Swift (iOS/macOS): revisión de las bibliotecas SwiftSoup y Fuzi

Al desarrollar aplicaciones para iOS y macOS, a menudo surge la necesidad de extraer datos de páginas web. El parseo de HTML permite obtener contenido automáticamente, estructurarlo y utilizarlo en la aplicación. En el ecosistema de Swift, existen varias bibliotecas potentes para estos fines. En este artículo, revisaremos en detalle las dos más populares: SwiftSoup y Fuzi. Aprenderá cómo instalarlas, cómo realizar operaciones básicas de parseo y qué características tiene cada una.

¿Por qué es necesario el parseo de HTML en Swift?

El parseo de HTML es útil en los siguientes escenarios:

Agregación de datos — recopilación de noticias, precios, descripciones de productos de varios sitios web.
Monitoreo de cambios — seguimiento de actualizaciones en páginas objetivo.
Integración con servicios web — si el sitio no proporciona una API, el parseo es la única forma de obtener datos.
Automatización de pruebas — verificación de la corrección de la estructura HTML.

Biblioteca SwiftSoup

SwiftSoup es el puerto Swift de la popular biblioteca Java Jsoup. Proporciona una API conveniente para parsear, navegar y manipular documentos HTML. SwiftSoup admite selectores CSS, lo que hace que la extracción de elementos sea simple e intuitiva.

Instalación de SwiftSoup

Agregue la dependencia en su Package.swift o a través de Swift Package Manager en Xcode:

// Package.swiftdependencies: [    .package(url: "https://github.com/scinfu/SwiftSoup.git", from: "2.6.0")]

Ejemplo de uso de SwiftSoup

Consideremos un ejemplo simple: cargaremos una cadena HTML y extraeremos los encabezados <h2> y los enlaces <a>.

import SwiftSoup

func parseHTML() {    let html = """    <html>        <body>            <h2>Título del artículo</h2>            <p>Texto del párrafo.</p>            <a href="https://example.com">Enlace</a>        </body>    </html>    """        do {        let doc = try SwiftSoup.parse(html)                // Extraemos todos los encabezados h2        let headers = try doc.select("h2")        for header in headers {            print("Encabezado: \\(try header.text())")        }                // Extraemos todos los enlaces        let links = try doc.select("a[href]")        for link in links {            let linkText = try link.text()            let linkHref = try link.attr("href")            print("Texto: \\(linkText), URL: \\(linkHref)")        }            } catch {        print("Error de parseo: \\(error)")    }}

En este ejemplo, usamos el método select() con el selector CSS "h2" para seleccionar todos los encabezados de segundo nivel, y "a[href]" para seleccionar todos los enlaces con el atributo href. El método text() devuelve el contenido textual del elemento, y attr() devuelve el valor del atributo especificado.

Navegación por el árbol del documento

SwiftSoup permite moverse por el árbol DOM:

// Obtener el primer elemento h2if let firstHeader = try doc.select("h2").first() {    print("Primer encabezado: \\(try firstHeader.text())")}

// Obtener el elemento padrelet parent = try firstHeader.parent()print("Padre: \\(try parent?.tagName() ?? "nil")")

// Obtener el siguiente elemento hermanolet nextSibling = try firstHeader.nextElementSibling()print("Siguiente elemento: \\(try nextSibling?.tagName() ?? "nil")")

Biblioteca Fuzi

Fuzi es otra biblioteca popular para parsear HTML y XML en Swift. Está basada en libxml2 y se caracteriza por su alto rendimiento. Fuzi también admite selectores CSS y consultas XPath.