25.03.2025

Buscando um Parser de HTML em Node.js: Soluções Modernas e Elegantes

Resposta Rápida

Se você precisa começar rapidamente, prefira o cheerio para fazer parsing de HTML em Node.js. Este módulo é amigável e a interação com ele é semelhante a trabalhar com jQuery. A instalação é feita da seguinte forma:

npm install cheerio

Para usar o cheerio, você precisa carregar o HTML e acessar os elementos utilizando seletores, assim como faz no jQuery:

const cheerio = require('cheerio');
const $ = cheerio.load('<h1>Título</h1>');

const titulo = $('h1').text();  // Capture "Título" de forma fácil e elegante!
console.log(titulo);

Esse método permite que você replique a experiência do jQuery no servidor.

Terminator vs Transformers: Escolhendo a Ferramenta Certa

Rápido e Furioso: htmlparser2 para Velocidade

Se você precisa fazer parsing de HTML rapidamente, como se fosse o Optimus Prime, o htmlparser2 proporcionará a máxima velocidade utilizando streaming, economizando recursos e tempo:

const htmlparser2 = require('htmlparser2');
const parser = new htmlparser2.Parser({
    onopentag(nome) {
        console.log(nome); // Exibe o nome da tag "div", sem detalhes adicionais!
    },
});
parser.write("Aqui está seu HTML");
parser.end();

Guardião dos Padrões da Web: parse5 para Conformidade

Se você segue rigorosamente os padrões, então o parse5 é perfeito para você, pois segue de perto os algoritmos da especificação WHATWG para parsing de HTML:

const parse5 = require('parse5');
const documento = parse5.parse('<div class="bloco">Conteúdo</div>'); // Assim, o HTML se torna uma estrutura de árvore de análise!

Visualização

Pense em fazer parsing de HTML em Node.js como montar um mosaico, onde cada peça individual é um fragmento de HTML:

🧩🗂️ HTML Original: <div><p>Olá, mundo!</p></div>

Nosso "mestre do mosaico" (parser de HTML) inicia seu trabalho:

1. Identificando elementos: 🧩 <div>, 🧩 <p>, 🧩 texto, 🧩 </p>, 🧩 </div>
2. Criando ligações: <div>↩️<p>↩️texto↪️</p>↪️</div>
3. Reconstituindo a imagem global: 🖼️ [ <div><p>Olá, mundo!</p></div> ]

No final, obtemos uma imagem completa:

🖼️ Resultado do parsing:
  📦 <div>
     📑 <p>
        📄 "Olá, mundo!"
     📑 </p>
  📦 </div>

E voilà! Aqui está seu HTML estruturado, simples e claro. 🎉

Lidando com Conteúdo Dinâmico: Utilizando Navegadores Sem Cabeça

Quando se trata de conteúdo dinâmico, que interage via JavaScript, é melhor usar navegadores sem cabeça:

• PhantomJS: Embora não seja mais atualizado, essa tecnologia confiável pode ainda ser útil:

  npm install phantomjs-prebuilt

• Puppeteer: Esta é uma ferramenta moderna e confiável do Google. Ela pode lidar até com as páginas da web mais complexas:

  npm install puppeteer

Se você precisa emular ações de usuário, o zombie.js transformará seu servidor em um verdadeiro estande de testes:

npm install zombie

Recursos Úteis

1. Padrão Industrial para Trabalho com HTML em JavaScript | cheerio — Um guia detalhado sobre como usar cheerio e jQuery no servidor em Node.js.
2. GitHub - jsdom/jsdom: Implementações JavaScript de Padrões da Web para Node.js — Descubra o jsdom, uma ferramenta versátil para processamento de HTML.
3. node-html-parser - npm — Conheça o node-html-parser, um dos líderes entre os parsers de HTML em termos de velocidade.
4. Puppeteer | Puppeteer — Informações sobre o Puppeteer, uma ferramenta poderosa para parsing e scraping de SPAs.
5. DOMParser - Web API | MDN — Um guia abrangente sobre como usar DOMParser para uma análise e serialização profissional de HTML.
6. Stream | Documentação Node.js v21.6.1 — Familiarize-se com os streams do Node.js para otimizar processos de parsing de dados.

Video

Navigation