jsoup é uma biblioteca Java para trabalhar com HTML do mundo real. Ela fornece uma API muito conveniente para extrair e manipular dados, utilizando o melhor de DOM, CSS e métodos semelhantes ao jQuery.
jsoup implementa a especificação HTML5 do WHATWG e analisa HTML para o mesmo DOM que os navegadores modernos fazem.
raspar e analisar HTML de uma URL, arquivo ou string
encontrar e extrair dados, usando navegação DOM ou seletores CSS
manipular os elementos HTML, atributos e texto
limpar conteúdo enviado pelo usuário contra uma lista branca segura, para prevenir ataques XSS
produzir HTML limpo
jsoup é projetado para lidar com todas as variedades de HTML encontradas na natureza; desde HTML limpo e válido até sopa de tags inválidas; jsoup criará uma árvore de análise sensata.