Parsing de HTML em Kotlin: bibliotecas e exemplos de código

Parsing de HTML em Kotlin: visão geral das bibliotecas e exemplos práticos

Kotlin é uma linguagem multiplataforma moderna, amplamente utilizada para desenvolvimento de aplicações server-side, aplicativos Android e ferramentas de automação. Uma das tarefas comuns é o parsing de HTML — extrair dados de páginas web, trabalhar com a árvore DOM ou gerar templates HTML. Neste artigo, vamos explorar as principais bibliotecas para parsing de HTML em Kotlin, suas características e fornecer exemplos de código funcionais.

Por que o parsing de HTML em Kotlin é necessário?

O parsing de HTML é necessário em cenários como:

• Coleta de dados de sites (web scraping).
• Automação de testes de interfaces web.
• Geração de relatórios HTML ou templates de e-mail.
• Processamento e análise de conteúdo obtido de APIs ou arquivos.

Graças à compatibilidade com Java e suas próprias construções DSL, o Kotlin oferece tanto bibliotecas Java consolidadas quanto soluções nativas.

1. Jsoup — parser HTML/XML universal

Jsoup é a biblioteca mais popular para parsing de HTML no ecossistema JVM. Ela fornece uma API conveniente para carregar, analisar e manipular documentos HTML, suporta seletores CSS e métodos semelhantes ao jQuery. Para Kotlin, o Jsoup é excelente devido à total compatibilidade com Java e à possibilidade de usar extensões Kotlin.

Instalação (Gradle)

dependencies {    implementation("org.jsoup:jsoup:1.17.2")}

Exemplo: extraindo títulos de artigos de um blog

import org.jsoup.Jsoupimport org.jsoup.nodes.Document

fun main() {    // Carrega o documento HTML a partir de uma URL    val doc: Document = Jsoup.connect("https://example.com/blog").get()

    // Extrai todos os títulos h2 com a classe "post-title"    val titles = doc.select("h2.post-title")

    // Exibe o texto de cada título    titles.forEach { title ->        println(title.text())    }

    // Exemplo usando seletor CSS: todos os links dentro de artigos    val links = doc.select("article a[href]")    links.forEach { link ->        println("${link.text()} -> ${link.attr("href")}")    }}

O Jsoup também permite analisar HTML a partir de string, arquivo ou InputStream, além de limpar HTML de elementos potencialmente perigosos (proteção XSS).

2. kotlinx.html — DSL type-safe para trabalhar com HTML

kotlinx.html é a biblioteca oficial da JetBrains, projetada para gerar código HTML usando uma DSL type-safe. Diferente do Jsoup, ela não analisa HTML existente, mas o cria. No entanto, pode ser combinada com o Jsoup para um ciclo completo: parsing → modificação → geração.

Instalação (Gradle)

dependencies {    implementation("org.jetbrains.kotlinx:kotlinx-html-jvm:0.11.0")}

Exemplo: gerando uma página HTML

import kotlinx.html.*import kotlinx.html.stream.createHTML

fun main() {    val htmlContent = createHTML().html {        head {            title("Exemplo de página")            meta(charset = "UTF-8")        }        body {            h1 { +"Olá, Kotlin!" }            p {                +"Este é um parágrafo gerado com "                b { +"kotlinx.html" }            }            ul {                li { +"Item 1" }                li { +"Item 2" }                li { +"Item 3" }            }        }    }    println(htmlContent)}

Essa abordagem é especialmente útil para criar relatórios, templates de e-mail ou páginas dinâmicas no servidor (Ktor).

3. Ktor Client + Jsoup — para parsing com requisições HTTP

Se for necessário realizar requisições HTTP complexas (com cookies, cabeçalhos, autenticação) antes do parsing, é conveniente usar o Ktor Client em conjunto com o Jsoup. Ktor é um cliente HTTP assíncrono que se integra perfeitamente com as coroutines do Kotlin.

Exemplo: parsing de página