JSoup é uma biblioteca Java para trabalhar com HTML do mundo real. Ela fornece uma API muito conveniente para buscar URLs e extrair e manipular dados, utilizando o melhor dos métodos DOM do HTML5 e seletores CSS.
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
- gerar HTML limpo
jsoup é projetado para lidar com todas as variedades de HTML encontradas na natureza; desde HTML limpo e válido até uma sopa de tags inválidas; jsoup criará uma árvore de análise sensata.