Análisis HTML de Java

Para obtener datos de un sitio web, primero debe comprender la estructura del documento HTML. Los elementos HTML se organizan mediante etiquetas, que especifican el tipo y el contenido de cada elemento.

Por ejemplo, el siguiente HTML representa una etiqueta div con una clase CSS específica:

Para localizar y recuperar datos de esta etiqueta en Java, puede utilizar una biblioteca de análisis HTML de Java. Una opción es jsoup, que permite un análisis HTML conveniente usando una sintaxis similar a jQuery:

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

String html = "
Data to be scraped
";
Document doc = Jsoup.parse(html);

boolean usesClass = doc.select("div.classname").hasAttr("class");
String text = doc.select("div.classname").text();
String link = doc.select("div.classname").attr("href");

Con jsoup, puede verificar fácilmente si un elemento tiene una clase específica, recuperar su contenido de texto u obtener cualquier atributos que pueda tener.