Blog / Datos web
Datos web

Parseo de HTML con Java y jsoup

Domine el parseo HTML con jsoup en Java. Aprenda métodos DOM, maneje la paginación y optimice su flujo de trabajo de parseo con esta guía detallada.
2 min de lectura
Jacob Nulty
Jake Nulty
Technical Writer
Parsing HTML With Java and Jsoup blog image

Cuando se realiza el Scraping web, el parseo HTML es fundamental, independientemente de las herramientas que se utilicen.El Scraping web con Java no es una excepción a esta regla. En Python, utilizamos herramientas comoRequestsyBeautifulSoup. Con Java, podemos enviar nuestras solicitudes HTTP y realizar el parseo de nuestro HTML utilizandojsoup. Para este tutorial, utilizaremosBooks to Scrape.

Introducción

En este tutorial, vamos a utilizar Maven para la gestión de dependencias. Si aún no lo tienes, puedes instalar Mavenaquí.

Una vez que hayas instalado Maven, debes crear un nuevo proyecto Java. El siguiente comando crea un nuevo proyecto, jsoup-scraper.

mvn archetype:generate -DgroupId=com.example -DartifactId=jsoup-scraper -DarchetypeArtifactId=maven-archetype-quickstart -DinteractiveMode=false

A continuación, deberá añadir las dependencias pertinentes. Reemplace el código depom.xmlpor el código siguiente. Es similar a la gestión de dependencias enRustcon Cargo.

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
  xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd">
  <modelVersion>4.0.0</modelVersion>
  <groupId>com.example</groupId>
  <ARTIFACTID>jsoup-scraper</ARTIFACTID>
  <PACKAGING>jar</PACKAGING>
  <VERSION>1.0-SNAPSHOT</VERSION>
  <NAME>jsoup-scraper</NAME>
  <URL>http://maven.apache.org</URL>
  <DEPENDENCIES>
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>3.8.1</version>
      <scope>test</scope>
    </dependency>
    <dependency>
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <versión>1.16.1</versión>
    </dependencia>
  </dependencias>
  <propiedades>
    <maven.compiler.source>17</maven.compiler.source>
    <maven.compiler.target>17</maven.compiler.target>
</propiedades>
</proyecto>

Pega el siguiente código en App.java. No es mucho, pero es el Scraper básico a partir del cual construiremos.

package com.example;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class App {
    public static void main(String[] args) {

        String url = "https://books.toscrape.com";
        int pageCount = 1;

        while (pageCount <= 1) {

            try {
                System.out.println("---------------------PÁGINA "+pageCount+"--------------------------");

                //conectarse a un sitio web y obtener su HTML
                Document doc = Jsoup.connect(url).get();
            
                //imprimir el título
                System.out.println("Título de la página: " + doc.title());
            
                
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
        System.out.println("Total de páginas extraídas: "+(pageCount-1));
    }
}
  • Jsoup.connect("https://books.toscrape.com").get(): esta línea recupera la página y devuelve un objetoDocumentque podemos manipular.
  • doc.title()devuelve el título del documento HTML, en este caso:Todos los productos | Libros para extraer - Sandbox.

Uso de métodos DOM con Jsoup

jsoup contiene una variedad de métodos para encontrar elementos en el DOM (Modelo de objetos de documento). Podemos utilizar cualquiera de los siguientes para encontrar fácilmente elementos de la página.

  • getElementById(): Busca un elemento utilizando suid.
  • getElementsByClass(): Busca todos los elementos utilizando su clase CSS.
  • getElementsByTag(): Busca todos los elementos utilizando su etiqueta HTML.
  • getElementsByAttribute(): Encuentra todos los elementos que contienen un determinado atributo.

getElementById

En nuestro sitio de destino, la barra lateral contiene un div con un id de promotions_left. Puedes verlo en la imagen de abajo.

Inspect the sidebar
//obtener por Id
Element sidebar = doc.getElementById("promotions_left");

System.out.println("Sidebar: " + sidebar);

Este código muestra el elemento HTML que se ve en la página de inspección.

Sidebar: <div id="promotions_left">
</div>

getElementsByTag

getElementsByTag() nos permite encontrar todos los elementos de la página con una etiqueta determinada. Veamos los libros de esta página.

Cada libro contiene una etiqueta de artículo única.

Inspect books

El código siguiente no imprimirá nada, pero devolverá una matriz de libros. Estos libros proporcionarán la base para el resto de nuestros datos.

//obtener por etiqueta
Elements books = doc.getElementsByTag("article");

getElementsByClass

Veamos el precio de un libro. Como se puede ver resaltado, su clase es price_color.

Inspect price

En este fragmento, encontramos todos los elementos de la clase price_color. A continuación, imprimimos el texto del primero utilizando .first().text().

System.out.println("Precio: " + book.getElementsByClass("price_color").first().text());

getElementsByAttribute

Como ya sabrás, todos los elementos a requieren un atributo href. En el código siguiente, utilizamos getElementsByAttribute("href") para encontrar todos los elementos con un href. Utilizamos .first().attr("href") para devolver su href.

//obtener por atributo
Elements hrefs = book.getElementsByAttribute("href");
System.out.println("Enlace: https://books.toscrape.com/" + hrefs.first().attr("href"));

Técnicas avanzadas

Selektores CSS

Cuando queremos utilizar varios criterios para buscar elementos, podemos pasar selectores CSSal métodoselect(). Este método devuelve una matriz de todos los objetos que coinciden con el selector. A continuación, utilizamosli[class='next']para buscar todos los elementoslicon la clasenext.

Elementos nextPage = doc.select("li[class='next']");

Gestión de la paginación

Para gestionar nuestra paginación, utilizamos nextPage.first() para llamar a getElementsByAttribute("href").attr("href") en el primer elemento devuelto por la matriz y extraer su href. Curiosamente, después de la página 2, la palabra «catálogo» se elimina de los enlaces, por lo que, si no está presente en el href, la volvemos a añadir. A continuación, combinamos este enlace con nuestra URL base y lo utilizamos para obtener el enlace a la página siguiente.

if (!nextPage.isEmpty()) {
    String nextUrl = nextPage.first().getElementsByAttribute("href").attr("href");
    if (!nextUrl.contains("catalogue")) {
        nextUrl = "catalogue/"+nextUrl;
    } 
    url = "https://books.toscrape.com/" + nextUrl;
    pageCount++;
}

Poniendo todo junto

Este es nuestro código final. Si desea extraer más de una página, simplemente cambie el 1 en while (pageCount <= 1) por el objetivo deseado. Si desea extraer 4 páginas, utilice while (pageCount <= 4).

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class App {
    public static void main(String[] args) {

        String url = "https://books.toscrape.com";
        int pageCount = 1;

        while (pageCount <= 1) {

            try {
                System.out.println("---------------------PÁGINA "+pageCount+"--------------------------");

                //conectarse a un sitio web y obtener su HTML
                Document doc = Jsoup.connect(url).get();
            
                //imprimir el título
                System.out.println("Título de la página: " + doc.title());
            
                //obtener por Id
                Element sidebar = doc.getElementById("promotions_left");

                System.out.println("Barra lateral: " + barra lateral);

                //obtener por etiqueta
                Elements libros = doc.getElementsByTag("artículo");

                for (Element libro : libros) {
                    System.out.println("------Libro------");
                    System.out.println("Título: " + book.getElementsByTag("img").first().attr("alt"));
                    System.out.println("Precio: " + book.getElementsByClass("price_color").first().text());
                    System.out.println("Disponibilidad: " + book.getElementsByClass("instock availability").first().text());

                    //obtener por atributo
                    Elements hrefs = book.getElementsByAttribute("href");
                    System.out.println("Enlace: https://books.toscrape.com/" + hrefs.first().attr("href"));
                }

                //buscar el siguiente botón utilizando su selector CSS
                Elements nextPage = doc.select("li[class='next']");
                if (!nextPage.isEmpty()) {
                    String nextUrl = nextPage.first().getElementsByAttribute("href").attr("href");
                    if (!nextUrl.contains("catalogue")) {
                        nextUrl = "catalogue/"+nextUrl;
                    } 
                    url = "https://books.toscrape.com/" + nextUrl;
                    pageCount++;
                }

            } catch (Exception e) {
                e.printStackTrace();
            }
        }
        System.out.println("Total de páginas recopiladas: "+(pageCount-1));
    }
}

Antes de ejecutar el código, recuerde compilarlo.

mvn package

A continuación, ejecútelo con el siguiente comando.

mvn exec:java -Dexec.mainClass="com.example.App"

Aquí está el resultado de la primera página.

---------------------PÁGINA 1--------------------------
Título de la página: Todos los productos | Libros para rastrear - Sandbox
Barra lateral: <div id="promotions_left">
</div>
------Libro------
Título: Una luz en el ático
Precio: 51,77 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/a-light-in-the-attic_1000/index.html
------Libro------
Título: Tipping the Velvet
Precio: 53,74 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/tipping-the-velvet_999/index.html
------Libro------
Título: Soumission
Precio: 50,10 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/soumission_998/index.html
------Libro------
Título: Sharp Objects (Objetos cortantes)
Precio: 47,82 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/sharp-objects_997/index.html
------Libro------
Título: Sapiens: Una breve historia de la humanidad
Precio: 54,23 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/sapiens-a-brief-history-of-humankind_996/index.html
------Libro------
Título: The Requiem Red
Precio: 22,65 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/the-requiem-red_995/index.html
------Libro------
Título: The Dirty Little Secrets of Getting Your Dream Job
Precio: 33,34 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/the-dirty-little-secrets-of-getting-your-dream-job_994/index.html
------Libro------
Título: The Coming Woman: Una novela basada en la vida de la famosa feminista Victoria Woodhull
Precio: 17,93 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/the-coming-woman-a-novel-based-on-the-life-of-the-infamous-feminist-victoria-woodhull_993/index.html
------Libro------
Título: The Boys in the Boat: Nine Americans and Their Epic Quest for Gold at the 1936 Berlin Olympics (Los chicos del barco: nueve estadounidenses y su épica búsqueda del oro en los Juegos Olímpicos de Berlín de 1936)
Precio: 22,60 £
Disponibilidad: En stock.
Enlace: https://books.toscrape.com/catalogue/the-boys-in-the-boat-nine-americans-and-their-epic-quest-for-gold-at-the-1936-berlin-olympics_992/index.html
------Libro------
Título: The Black Maria (La María Negra)
Precio: 52,15 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/the-black-maria_991/index.html
------Libro------
Título: Starving Hearts (Trilogía del comercio triangular, n.º 1)
Precio: 13,99 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/starving-hearts-triangular-trade-trilogy-1_990/index.html
------Libro------
Título: Shakespeare's Sonnets (Sonetos de Shakespeare)
Precio: 20,66 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/shakespeares-sonnets_989/index.html
------Libro------
Título: Set Me Free (Libérame)
Precio: 17,46 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/set-me-free_988/index.html
------Libro------
Título: Scott Pilgrim's Precious Little Life (La preciosa vida de Scott Pilgrim) (Scott Pilgrim n.º 1)
Precio: 52,29 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/scott-pilgrims-precious-little-life-scott-pilgrim-1_987/index.html
------Libro------
Título: Rip it Up and Start Again (Rompe y empieza de nuevo)
Precio: 35,02 £
Disponibilidad: En stock.
Enlace: https://books.toscrape.com/catalogue/rip-it-up-and-start-again_986/index.html
------Libro------
Título: Our Band Could Be Your Life: Scenes from the American Indie Underground, 1981-1991
Precio: 57,25 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/our-band-could-be-your-life-scenes-from-the-american-indie-underground-1981-1991_985/index.html
------Libro------
Título: Olio
Precio: 23,88 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/olio_984/index.html
------Libro------
Título: Mesaerion: Las mejores historias de ciencia ficción 1800-1849
Precio: 37,59 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/mesaerion-the-best-science-fiction-stories-1800-1849_983/index.html
------Libro------
Título: Libertarianismo para principiantes
Precio: 51,33 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/libertarianism-for-beginners_982/index.html
------Libro------
Título: It's Only the Himalayas (Solo es el Himalaya)
Precio: 45,17 £
Disponibilidad: En stock
Enlace: https://books.toscrape.com/catalogue/its-only-the-himalayas_981/index.html
Total de páginas recopiladas: 1

Conclusión

Ahora que ya sabes cómo extraer datos HTML con jsoup, puedes empezar a crear Scrapers web más avanzados. Ya sea que estés rastreando listados de productos, artículos de noticias o datos de investigación, manejar contenido dinámico y evitar bloqueos son retos clave.

Para ampliar tus esfuerzos de rastreo de manera eficiente, considera utilizar las herramientas de Bright Data:

Al combinar jsoup con la infraestructura adecuada, puede extraer datos a gran escala y minimizar los riesgos de detección. ¿Está listo para llevar el Scraping web al siguiente nivel? Regístrese ahora y comience su prueba gratuita.

Tabla de Contenidos

    Usted también puede estar interesado en

    Best Amazon Price Trackers
    Datos web
    Antonello Zanini
    Antonello Zanini
    Technical Writer

    Los mejores rastreadores de precios de Amazon de 2026: comparación definitiva

    Descubra y compare los mejores rastreadores de precios de Amazon de 2026, desde herramientas de navegador gratuitas hasta API de scraping de nivel empresarial.
    19-Feb-2026
    27 min de lectura
    Best Market Research Data Providers
    Datos web
    Antonello Zanini
    Antonello Zanini
    Technical Writer

    Los mejores proveedores de datos de estudio de mercado: comparación de las seis mejores soluciones

    Explore los principales proveedores de datos de estudio de mercado y descubra cómo elegir la solución adecuada para recopilar, analizar y aprovechar la información de mercado a gran escala.
    18-Feb-2026
    24 min de lectura
    Best Research APIs
    Datos web
    Daniel Shashko
    Daniel Shashko
    SEO & AI Automations

    Las mejores API de investigación en 2026: guía comparativa completa

    Compare las 11 principales API de investigación en 2026, desde el Scraping web hasta la extracción de SERP y la búsqueda preparada para IA, con datos de rendimiento reales y desgloses de precios.
    18-Feb-2026
    31 min de lectura