Repolode
Enviar
jhy

jhy/jsoup

Una biblioteca Java para analizar, extraer, editar y limpiar HTML real mediante métodos DOM, selectores CSS y XPath.

Ver en GitHubSitio web
Estrellas
11,411
Forks
2,319
Issues abiertos
6
Último commit
hace 3 días

¿Qué es?

jsoup es una biblioteca Java para trabajar con HTML y XML de la web. Obtiene páginas desde una URL, las analiza a partir de un archivo o una cadena y construye un árbol DOM que sigue la especificación WHATWG HTML5, por lo que la estructura resultante coincide con la que generan los navegadores modernos. Incluso el marcado no válido o desordenado, conocido a menudo como tag soup, se analiza y se convierte en un árbol coherente.

Una vez analizado un documento, puedes localizar datos mediante el recorrido del DOM, selectores CSS o XPath, y luego leer o modificar elementos, atributos y texto. La biblioteca también puede generar HTML bien estructurado. Para el contenido enviado por usuarios, ofrece un limpiador basado en una lista de elementos permitidos que elimina las etiquetas y los atributos no permitidos para ayudar a prevenir ataques XSS.

jsoup se distribuye como archivo jar y a través de Maven y Gradle, y cuenta con licencia MIT. El proyecto señala que los usuarios de Android deben habilitar el desugaring de la biblioteca principal para usar las funciones de Java 8 o versiones posteriores.

Funciones clave

  • 01Analiza HTML y XML desde URL, archivos o cadenas y los convierte en un DOM compatible con los navegadores.
  • 02Selecciona elementos mediante selectores CSS, recorrido del DOM o XPath.
  • 03Modifica elementos, atributos y texto, y genera HTML bien estructurado.
  • 04Limpia HTML no confiable según una lista de elementos permitidos para reducir el riesgo de XSS.
  • 05Procesa marcado del mundo real mal formado sin fallar.

Casos de uso

  • Extraer datos de páginas web en un backend Java o en un trabajo por lotes.
  • Limpiar texto enriquecido enviado por usuarios antes de almacenarlo o mostrarlo.
  • Editar o reescribir plantillas HTML y contenido generado de forma programática.
  • Extraer enlaces, titulares o metadatos de documentos HTML en pruebas o herramientas.

Inicio rápido

  1. 1

    Añade la dependencia de jsoup a tu compilación de Maven

    <dependency> <!-- jsoup HTML parser library @ https://jsoup.org/ --> <groupId>org.jsoup</groupId> <artifactId>jsoup</artifactId> <version>1.23.2</version> </dependency>
  2. 2

    O añade la dependencia de jsoup a tu compilación de Gradle

    implementation 'org.jsoup:jsoup:1.23.1'
  3. 3

    Lee la introducción del libro de recetas y empieza a analizar documentos

Antes de usarlo

  • Es solo una biblioteca de Java, por lo que requiere una JVM y desarrolladores de Java.

Temas

#java#html-parser#web-scraping#css-selectors#xpath#xss-prevention#dom#html-sanitizer#css#html

Preguntas frecuentes

¿Qué es jsoup?
Una biblioteca Java para analizar, extraer, editar y limpiar HTML real mediante métodos DOM, selectores CSS y XPath. jsoup es una biblioteca Java para trabajar con HTML y XML de la web. Obtiene páginas desde una URL, las analiza a partir de un archivo o una cadena y construye un árbol DOM que sigue la especificación WHATWG HTML5, por lo que la estructura resultante coincide con la que generan los navegadores modernos. Incluso el marcado no válido o desordenado, conocido a menudo como tag soup, se analiza y se convierte en un árbol coherente.
¿jsoup es gratuito? ¿Qué licencia tiene?
jsoup es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿jsoup sigue mantenido?
Mantenimiento activo. El último commit de jsoup fue el 4 nov 2026.
¿Para qué puedo usar jsoup?
Extraer datos de páginas web en un backend Java o en un trabajo por lotes. Limpiar texto enriquecido enviado por usuarios antes de almacenarlo o mostrarlo. Editar o reescribir plantillas HTML y contenido generado de forma programática. Extraer enlaces, titulares o metadatos de documentos HTML en pruebas o herramientas.
¿Cómo se instala jsoup?
Añade la dependencia de jsoup a tu compilación de Maven: <dependency> <!-- jsoup HTML parser library @ https://jsoup.org/ --> <groupId>org.jsoup</groupId> <artifactId>jsoup</artifactId> <version>1.23.2</version> </dependency> O añade la dependencia de jsoup a tu compilación de Gradle: implementation 'org.jsoup:jsoup:1.23.1' Lee la introducción del libro de recetas y empieza a analizar documentos
¿Dónde consigo jsoup?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/jhy/jsoup

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados

beevik / etree

Paquete ligero y escrito íntegramente en Go para analizar, consultar, modificar y escribir XML como un árbol de elementos, con consultas de rutas similares a XPath.

Backend y APIs#xml#go#xpath
1,7 mil+1 esta semana191GoBSD-2-ClauseActualizado el mes pasado