Parsing de HTML em Node.js: Principais bibliotecas e exemplos de código

Parsing de HTML em JavaScript (Node.js): Guia Completo

Parsing de HTML é uma das tarefas principais no desenvolvimento de parsers (web scrapers) e automação de coleta de dados. No ecossistema Node.js, existem várias bibliotecas poderosas que permitem extrair informações de documentos HTML. Neste artigo, analisaremos três ferramentas principais: Cheerio, JSDOM e Puppeteer, compararemos suas capacidades e forneceremos exemplos práticos de código.

1. Cheerio — jQuery leve para servidor

Cheerio é a biblioteca mais popular para parsing de HTML em Node.js. Ela implementa a sintaxe do jQuery, mas funciona sem ambiente de navegador, tornando-a rápida e econômica em memória. Cheerio é ideal para páginas HTML estáticas, onde não é necessária a execução de JavaScript.

Instalação

npm install cheerio

Exemplo de uso

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

async function parsePage(url) {    const response = await axios.get(url);    const $ = cheerio.load(response.data);

    // Extrai o título da página    const title = $('h1').text().trim();

    // Coleta todos os links    const links = [];    $('a').each((i, el) => {        const href = $(el).attr('href');        if (href) links.push(href);    });

    return { title, links };}

// UsoparsePage('https://example.com').then(data => console.log(data));

Quando escolher Cheerio:

• Páginas estáticas sem conteúdo dinâmico
• Altos requisitos de desempenho
• Sintaxe simples do jQuery
• Não há necessidade de renderização de JavaScript

2. JSDOM — implementação completa do DOM

JSDOM emula um ambiente de navegador, criando um modelo DOM completo. Ao contrário do Cheerio, o JSDOM suporta a execução de JavaScript, permitindo analisar páginas cujo conteúdo é gerado por scripts. No entanto, isso tem um custo em funcionalidade — a biblioteca consome mais recursos.

Instalação

npm install jsdom

Exemplo de uso

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

async function parseDynamicPage(html) {    const dom = new JSDOM(html, {        runScripts: 'dangerously',        resources: 'usable'    });

    const document = dom.window.document;

    // Aguarda a execução dos scripts    await new Promise(resolve => setTimeout(resolve, 2000));

    const items = [];    document.querySelectorAll('.product-item').forEach(el => {        items.push({            name: el.querySelector('.product-name')?.textContent,            price: el.querySelector('.price')?.textContent        });    });

    return items;}

// Exemplo com passagem de HTMLconst html = `<html><body><div class="product-item">...</div></body></html>`;parseDynamicPage(html).then(data => console.log(data));

Quando escolher JSDOM:

• Páginas com conteúdo dinâmico (AJAX, React, Vue)
• Necessidade de trabalhar com eventos DOM
• Testes de aplicações web
• Extração de dados de SPAs (Single Page Application)

3. Puppeteer — navegador controlado por código

Puppeteer é um navegador headless completo (Chrome/Chromium) com controle programático. Ele executa JavaScript, carrega recursos, gerencia cookies e sessões. Puppeteer é a ferramenta mais poderosa, mas também a mais pesada em termos de recursos.

Instalação

npm install puppeteer

Exemplo de uso

const puppeteer = require('puppeteer');

async function parseWithBrowser(url) {    const browser = await puppeteer.launch({ headless: true });    const page = a