Парсинг HTML в Node.js: обзор лучших библиотек и инструментов

Парсинг HTML в JavaScript (Node.js): выбор инструмента для работы с веб-страницами

Парсинг HTML — одна из ключевых задач при разработке веб-скраперов, анализаторов контента и автоматизированных тестов. В экосистеме Node.js существует несколько мощных библиотек, каждая из которых имеет свои сильные стороны. В этой статье мы рассмотрим три основных инструмента: cheerio, jsdom и htmlparser2, а также разберём, когда и какой из них лучше использовать.

1. Cheerio — jQuery для сервера

Библиотека cheerio — это самый популярный выбор для парсинга HTML в Node.js. Она предоставляет знакомый jQuery-подобный синтаксис для навигации и манипуляции DOM-деревом. Cheerio не создаёт полный браузерный DOM, а работает с лёгкой абстракцией, что делает её очень быстрой.

Основные возможности:

• Поддержка CSS-селекторов (как в jQuery)
• Быстрый парсинг без выполнения JavaScript
• Иммутабельные методы (не изменяют исходный HTML)
• Работа с атрибутами, текстом и HTML-структурой

Пример использования:

const cheerio = require('cheerio');
const html = '<div class="content"><h1>Привет, мир!</h1><p>Текст статьи</p></div>';

const $ = cheerio.load(html);
const title = $('h1').text();
const paragraphs = $('p').map((i, el) => $(el).text()).get();

console.log(title); // "Привет, мир!"
console.log(paragraphs); // ["Текст статьи"]

2. JSDOM — полноценный браузер в Node.js

Если вам нужно не только парсить статический HTML, но и выполнять JavaScript-скрипты, эмулировать события или работать с современными API (например, fetch, localStorage), то jsdom — ваш выбор. Он создаёт полную браузерную среду, что даёт максимальную совместимость, но требует больше ресурсов.

Когда использовать jsdom:

• Сайты с динамическим контентом (SPA на React/Vue)
• Необходимость выполнять скрипты страницы
• Тестирование веб-компонентов
• Работа с событиями и асинхронными операциями

Пример парсинга:

const { JSDOM } = require('jsdom');
const html = '<html><body><div id="app">Контент</div></body></html>';

const dom = new JSDOM(html);
const document = dom.window.document;
const content = document.getElementById('app').textContent;

console.log(content); // "Контент"

3. Htmlparser2 — максимальная производительность

Библиотека htmlparser2 — это низкоуровневый парсер, который работает на основе событий (SAX-подобный подход). Он не создаёт DOM-дерево, а генерирует события при встрече каждого тега, атрибута или текстового узла. Это делает его самым быстрым парсером в Node.js.

Особенности:

• Потоковая обработка (можно парсить файлы гигабайтного размера)
• Минимальное потребление памяти
• Поддержка XML и HTML
• Нет встроенных методов для навигации (нужно писать свою логику)

Пример использования:

const htmlparser2 = require('htmlparser2');
const html = '<div class="item">Товар 1</div><div class="item">Товар 2</div>';

const items = [];
const parser = new htmlparser2.Parser({
    onopentag(name, attribs) {
        if (name === 'div' && attribs.class === 'item') {
            this.currentItem = '';
        }
    },
    ontext(text) {
        if (this.currentItem !== undefined) {
            this.currentItem += text;
        }
    },
    onclosetag(name) {
        if (name === 'div' && this.currentItem !== undefined) {
            items.push(this.currentItem.trim());
            delete this.currentItem;
        }
    }
});

parser.write(html);
parser.end();
console.log(items); // ["Товар 1", "Товар 2"]

Сравнение библиотек

Чтобы сделать правильный выбор, важно понимать различия между инструментами. Ниже приведена таблица сравнения по ключевым параметрам:

• Скорость парсинга: htmlparser2 > cheerio > jsdom