我需要解析（服务器端）大量 HTML 页面。
我们都同意正则表达式不是这里的方法。
在我看来，javascript 是解析 HTML 页面的本机方式，但这种假设依赖于服务器端代码具有 javascript 在浏览器中具有的所有 DOM 能力。
Node.js 是否内置了这种能力？
有没有更好的方法来解决这个问题，在服务器端解析 HTML？
【问题讨论】：
标签： node.js html-parsing server-side
您可以使用 npm 模块 jsdom 和 htmlparser 在 Node.JS 中创建和解析 DOM。
其他选项包括：
在所有这些选项中，我更喜欢使用 Node.js 选项，因为它使用标准的 W3C DOM 访问器方法，并且我可以在客户端和服务器上重用代码。我希望 BeautifulSoup 的方法更类似于 W3C dom，而且我认为将您的 HTML 转换为 XHTML 来编写 XSLT 简直就是虐待狂。
【讨论】：
使用Cheerio。它不像 jsdom 那样严格，并且针对抓取进行了优化。作为奖励，使用您已经知道的 jQuery 选择器。
❤ 熟悉的语法：Cheerio 实现了核心 jQuery 的一个子集。切里奥 从 jQuery 中删除所有 DOM 不一致和浏览器杂乱无章 库，展示其真正华丽的 API。
ϟ 速度极快：Cheerio 使用非常简单、一致的 DOM 模型。因此，解析、操作和渲染都令人难以置信 高效的。初步的端到端基准测试表明，cheerio 是 比 JSDOM 快大约 8 倍。
❁ 极其灵活：Cheerio 环绕 @FB55 的宽容 html解析器。 Cheerio 几乎可以解析任何 HTML 或 XML 文档。
【讨论】：
jsdom 太慢了：/
【讨论】：
FB55 的Htmlparser2 似乎是一个不错的选择。
【讨论】：
我搜索了顶级 NodeJS html 解析器库。
因为我的用例不需要具有许多功能的库，所以我可以专注于稳定性和性能。
稳定性是指我希望该库能够被社区使用足够长的时间以发现错误，并且仍将对其进行维护，并且将关闭未解决的问题。
很难理解一个开源库的未来，但我根据openbase中的前10个库做了一个小总结。
我根据最后一次提交分成了2组（每组的顺序是根据Github开始的）：
最后一次提交是在过去 6 个月内：
jsdom - Last commit: 3 Months, Open issues: 331, Github stars: 14.9K。
htmlparser2 - Last commit: 8 days, Open issues: 2, Github stars: 2.7K.
parse5 - Last commit: 2 Months, Open issues: 21, Github stars: 2.5K.
swagger-parser - Last commit: 2 Months, Open issues: 48, Github stars: 663.
html-parse-stringify - Last commit: 4 Months, Open issues: 3, Github stars: 215.
node-html-parser - Last commit: 7 days, Open issues: 15, Github stars: 205。
最后一次提交是 6 个月及以上：
cheerio - Last commit: 1 year, Open issues: 174, Github stars: 22.9K.
koa-bodyparser - Last commit: 6 months, Open issues: 9, Github stars: 1.1K。
sax-js - Last commit: 3 Years, Open issues: 65, Github stars: 941.
draftjs-to-html - Last commit: 1 Year, Open issues: 27, Github stars: 233.
我选择 Node-html-parser 是因为它现在看起来很安静而且非常活跃。
(*) Openbase 添加了有关每个库的更多信息，例如贡献者数量（+3 次提交）、每周下载量、每月提交量、版本等。
(**) 上表是根据具体时间和日期的快照 - 我会再次检查参考，作为第一步，检查最近的活动水平，然后深入了解较小的细节。
【讨论】：
jsdom 太严格了，不能做任何真正的屏幕抓取之类的事情，但 beautifulsoup 不会因标记错误而窒息。
node-soupselect是python的beautifulsoup到nodejs的一个端口，效果很好
【讨论】：