Парсинг HTML в Swift (iOS/macOS): библиотека SwiftSoup

Парсинг HTML в Swift (iOS/macOS) с помощью SwiftSoup

При разработке приложений под iOS и macOS часто возникает необходимость извлечь данные из веб-страниц. В отличие от Python с его мощными библиотеками BeautifulSoup и Scrapy, в мире Swift долгое время не было удобного инструмента для парсинга HTML. Решением стала библиотека SwiftSoup — чистый Swift-порт популярной Java-библиотеки Jsoup. Она предоставляет удобный API для работы с HTML-документами, навигации по DOM-дереву, поиска элементов по CSS-селекторам и извлечения данных.

Что такое SwiftSoup?

SwiftSoup — это библиотека с открытым исходным кодом, которая позволяет парсить HTML, извлекать и изменять данные, а также выполнять очистку HTML от потенциально опасных элементов. Она работает на всех платформах Apple: iOS, macOS, tvOS, watchOS. Основные возможности:

• Парсинг HTML из строки, URL или файла
• Навигация по DOM-дереву с помощью CSS-селекторов
• Извлечение текста, атрибутов и HTML-кода элементов
• Модификация документа (добавление, удаление, изменение элементов)
• Очистка HTML от XSS-атак
• Поддержка всех современных стандартов HTML

Установка SwiftSoup

Самый простой способ установки — через Swift Package Manager. Добавьте зависимость в файл Package.swift:

// swift-tools-version:5.5
import PackageDescription

let package = Package(
    name: "MyProject",
    dependencies: [
        .package(url: "https://github.com/scinfu/SwiftSoup.git", from: "2.6.0")
    ],
    targets: [
        .target(
            name: "MyProject",
            dependencies: ["SwiftSoup"])
    ]
)

Если вы используете Xcode, откройте меню File → Add Packages..., вставьте URL репозитория и нажмите Add Package.

Базовый пример парсинга HTML

Рассмотрим простейший пример — извлечение заголовка страницы:

import SwiftSoup

let html = "<html><head><title>PythonLib - инструменты для разработчиков</title></head><body><p>Привет, мир!</p></body></html>"

do {
    let doc = try SwiftSoup.parse(html)
    let title = try doc.title()
    print("Заголовок: \(title)")
    
    let bodyText = try doc.body()?.text()
    print("Текст body: \(bodyText ?? "")")
} catch Exception.Error(let type, let message) {
    print("Ошибка: \(type) — \(message)")
} catch {
    print("Неизвестная ошибка")
}

Вывод в консоль:

Заголовок: PythonLib - инструменты для разработчиков
Текст body: Привет, мир!

Поиск элементов с помощью CSS-селекторов

Одна из сильных сторон SwiftSoup — мощные селекторы, знакомые веб-разработчикам. Вы можете использовать любые CSS-селекторы:

let html = """
<div class="articles">
    <article id="post-1">
        <h2 class="title">SwiftSoup tutorial</h2>
        <p class="meta">Опубликовано: 2024-01-15</p>
        <p>Содержание статьи...</p>
    </article>
    <article id="post-2">
        <h2 class="title">Парсинг HTML на Swift</h2>
        <p class="meta">Опубликовано: 2024-02-20</p>
        <p>Ещё одно содержание...</p>
    </article>
</div>
"""

let doc = try SwiftSoup.parse(html)

// Поиск по классу
let titles = try doc.select(".title")
for title in titles {
    print(try title.text())
}

// Поиск по ID
if let post = try doc.select("#post-1").first() {
    let h2 = try post.select("h2").text()
    let date = try post.select(".meta").text()
    print("Статья: \(h2) — \(date)")
}

// Комбинированный селектор
let articles = try doc.select("div.articles > article")
print("Найдено статей: \(articles.count)")

Извлечение атрибутов и ссылок

Часто требуется получить не только текст, но и значения атрибутов, например, URL ссылок или изображений:

let html = """
<ul>
    <li><a href="/page1" class="link">Страница 1</a></li>
    <li><a