Parseo de HTML en JavaScript (Node.js)

Parseo de HTML en JavaScript (Node.js): guía completa

El parseo de HTML es una de las habilidades clave del desarrollador web moderno. En el ecosistema de Node.js existen varias herramientas potentes para extraer datos de documentos HTML. En este artículo analizaremos en detalle tres bibliotecas principales: Cheerio, JSDOM y Puppeteer, y aprenderemos a elegir la herramienta adecuada para cada tarea específica.

1. Cheerio — un analizador ligero y rápido

Cheerio es una biblioteca rápida, flexible y ligera que implementa un subconjunto de jQuery para el lado del servidor. Es ideal para el parseo de HTML estático cuando no se requiere la ejecución de JavaScript en la página.

Instalación

npm install cheerio

Ejemplo de uso

const cheerio = require('cheerio');const axios = require('axios');

async function parseHTML() {    const response = await axios.get('https://example.com');    const $ = cheerio.load(response.data);        // Extraer el título de la página    const title = $('title').text();    console.log('Título:', title);        // Obtener todos los enlaces    const links = [];    $('a').each((i, el) => {        links.push($(el).attr('href'));    });    console.log('Enlaces:', links);        // Parseo de una tabla    const tableData = [];    $('table tr').each((i, row) => {        const cells = [];        $(row).find('td, th').each((j, cell) => {            cells.push($(cell).text().trim());        });        tableData.push(cells);    });    console.log('Datos de la tabla:', tableData);}

parseHTML().catch(console.error);

Ventajas de Cheerio

Alto rendimiento: funciona hasta 8 veces más rápido que alternativas similares
Sintaxis familiar de jQuery
Bajo consumo de memoria
Instalación y configuración sencillas

Desventajas

No admite contenido dinámico
No puede ejecutar JavaScript
No es adecuado para aplicaciones SPA

2. JSDOM — implementación completa del DOM

JSDOM emula el entorno del navegador en Node.js, proporcionando una implementación completa del DOM y un analizador de HTML. A diferencia de Cheerio, JSDOM puede ejecutar JavaScript, lo que lo hace adecuado para el parseo de páginas con contenido dinámico.

Instalación

npm install jsdom

Ejemplo de uso

const { JSDOM } = require('jsdom');const axios = require('axios');

async function parseWithJSDOM() {    const response = await axios.get('https://example.com');    const dom = new JSDOM(response.data);    const document = dom.window.document;        // Obtener todos los párrafos    const paragraphs = Array.from(document.querySelectorAll('p'))        .map(p => p.textContent);    console.log('Párrafos:', paragraphs);        // Trabajar con atributos    const images = Array.from(document.querySelectorAll('img'))        .map(img => ({            src: img.getAttribute('src'),            alt: img.getAttribute('alt')        }));    console.log('Imágenes:', images);        // Ejecución de scripts (¡con cuidado!)    const { window } = new JSDOM(`<body>        <script>            document.body.innerHTML += '<p>Contenido dinámico</p>';        </script>    </body>`, { runScripts: 'dangerously' });        console.log(window.document.body.innerHTML);}

parseWithJSDOM().catch(console.error);