Parseo de HTML en Rust: bibliotecas, herramientas y ejemplos de código

Parseo de HTML en Rust: descripción general de bibliotecas y ejemplos prácticos

Rust es un lenguaje de programación de sistemas que está ganando popularidad en tareas de web scraping y parseo de HTML gracias a su rendimiento, seguridad de memoria y tipado estricto. En este artículo, revisaremos las principales bibliotecas para parsear HTML en Rust, sus capacidades y proporcionaremos ejemplos de código para cada una.

1. Biblioteca scraper

scraper es una de las bibliotecas más populares y convenientes para parsear HTML en Rust. Está construida sobre html5ever (analizador HTML5) y proporciona una API de alto nivel para navegar por el árbol DOM mediante selectores CSS.

Instalación

[dependencies]scraper = "0.19"

Ejemplo: obtención de títulos de artículos

use scraper::{Html, Selector};

fn main() {    let html = r#"        <html>            <body>                <h1 class="title">Primer artículo</h1>                <h1 class="title">Segundo artículo</h1>            </body>        </html>    "#;

    let document = Html::parse_document(html);    let selector = Selector::parse("h1.title").unwrap();

    for element in document.select(&selector) {        println!("{}", element.text().collect::<Vec<_>>().join(" "));    }}

Ventajas:

• API intuitiva para selectores CSS
• Soporte para todas las pseudoclases y combinadores estándar
• Alto rendimiento
• Buena documentación

2. Biblioteca select.rs

select.rs es otra biblioteca potente para parsear HTML, basada en html5ever. Ofrece una API similar a jQuery, lo que la hace especialmente conveniente para desarrolladores familiarizados con JavaScript.

Instalación

[dependencies]select = "0.6"

Ejemplo: extracción de enlaces

use select::document::Document;use select::predicate::{Name, Class};

fn main() {    let html = r#"        <html>            <body>                <a href="https://example.com" class="link">Example</a>                <a href="https://rust-lang.org" class="link">Rust</a>            </body>        </html>    "#;

    let document = Document::from(html);

    for node in document.find(Class("link")) {        if let Some(href) = node.attr("href") {            println!("Enlace: {}", href);        }    }}

Ventajas:

• Sintaxis similar a jQuery
• Predicados flexibles para buscar elementos
• Soporte para atributos y contenido de texto

3. Biblioteca html5ever

html5ever es un analizador HTML5 de bajo nivel escrito en Rust. Es la base de muchas otras bibliotecas (incluyendo scraper y select.rs). Si necesita control total sobre el proceso de parseo, esta es una excelente opción.

Instalación

[dependencies]html5ever = "0.27"

Ejemplo: tokenización de HTML

use html5ever::tendril::TendrilSink;use html5ever::parse_document;use html5ever::rcdom::{RcDom, Handle, NodeData};

fn main() {    let html = "<p>¡Hola, Rust!</p>";    let dom = parse_document(RcDom::default(), Default::default())        .from_utf8()        .read_from(&mut html.as_bytes())        .unwrap();

    // Recorrido del árbol DOM    fn walk(node: &Handle, depth: usize) {        match node.data {            NodeData::Text { ref contents } => {                let text = contents.borrow();                println!("{:indent$}Texto: {}", "", text, indent = depth * 2);            }            NodeData::Element { ref name,