jsoup es una biblioteca de Java para trabajar con HTML del mundo real. Proporciona una API muy conveniente para extraer y manipular datos, utilizando lo mejor de DOM, CSS y métodos similares a jQuery.
jsoup implementa la especificación WHATWG HTML5 y analiza HTML al mismo DOM que los navegadores modernos.
raspar y analizar HTML desde una URL, archivo o cadena
encontrar y extraer datos, utilizando recorrido DOM o selectores CSS
manipular los elementos HTML, atributos y texto
limpiar el contenido enviado por el usuario contra una lista blanca segura, para prevenir ataques XSS
salida de HTML ordenado
jsoup está diseñado para manejar todas las variedades de HTML que se encuentran en la naturaleza; desde HTML limpio y válido, hasta sopa de etiquetas inválida; jsoup creará un árbol de análisis sensato.