nodejsにてHTMLを解析したい場合使うべきLibとは？

突然nodejsにてHTMLを解析の仕事が出てきた。

調べた結果、jquery（ウェブ側のjQueryとちょっと違う）とcheerioを洗い出した。

1. jquery

HOME: https://github.com/UncoolAJ86/node-jquery

インストールはコマンド2個：

npm install -S 'jquery@>=2.1'
npm install -S 'jsdom@latest'

ですが、jsdomのインストールは遅い！

> contextify@0.1.8 install /Users/liubin/github/ss4cn/node_modules/jsdom/node_modules/contextify
> node-gyp rebuild

gyp http GET http://nodejs.org/dist/v0.10.26/node-v0.10.26.tar.gz
gyp http 200 http://nodejs.org/dist/v0.10.26/node-v0.10.26.tar.gz
  CXX(target) Release/obj.target/contextify/src/contextify.o
  SOLINK_MODULE(target) Release/contextify.node
  SOLINK_MODULE(target) Release/contextify.node: Finished
jsdom@0.10.6 node_modules/jsdom

nodejs自体のダウンロードとビルドが必要です。

使う方法も面倒くさい。具体的に本家のサンプルをご参照。

ドキュメントは不備。

2 cheerio

HOME: http://matthewmueller.github.io/cheerio/

インストールは簡単かつ迅速

npm install cheerio

詳しいドキュメントが用意されている。使うも簡単。

// from https://github.com/cheeriojs/cheerio
var cheerio = require('cheerio'),
    $ = cheerio.load('<h2 class="title">Hello world</h2>');

$('h2.title').text('Hello there!');
$('h2').addClass('welcome');

$.html();
//=> <h2 class="title welcome">Hello there!</h2>

欠点：httpから直接HTMLコンテントを取得するメソッドが無い。requestパッケージを使うと自前実装しなければならない。

3 結局

cheerioを使うことになりました。