JSoup es una biblioteca de Java para trabajar con HTML del mundo real. Proporciona una API muy conveniente para obtener URLs y extraer y manipular datos, utilizando lo mejor de los métodos DOM de HTML5 y selectores CSS.
jsoup implementa la especificación HTML5 de WHATWG 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
- generar 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.