Herramientas de Análisis Web

May 02, 2026  

Herramientas de Análisis Web

htmlq

Extractor de contenido HTML usando selectores CSS (como jq pero para HTML).

Instalación

# Arch Linux
sudo pacman -S htmlq

# Cargo
cargo install htmlq

Uso Básico

# Extraer todos los títulos
htmlq -t 'h1' archivo.html

# Extraer enlaces
htmlq -t 'a' -o url archivo.html

# Extraer contenido de div específico
htmlq '#contenido' pagina.html

# Multiple selectores
htmlq 'title, h1, h2' pagina.html

Opciones

Opción	Descripción
-t	Selector CSS
-o	Output attribute
-w	Wrapping HTML
--indent	Identación

Ejemplos

# Extraer todos los enlaces de una página
curl -s https://ejemplo.com | htmlq -t 'a' -o href

# Extraer imágenes
curl -s https://ejemplo.com | htmlq 'img' -o src

#清洗 datos de tablas
htmlq 'table td' pagina.html

---

html2text

Convierte HTML a texto plano legible.

Instalación

# Arch Linux
sudo pacman -S html2text

# pip
pip install html2text

Uso Básico

# Convertir a texto
html2text archivo.html

# Desde stdin
curl -s https://ejemplo.com | html2text

# Ancho de línea
html2text -w 100 archivo.html

# Ignorar enlaces
html2text -b 0 archivo.html

Opciones

Opción	Descripción
-w	Ancho de línea
-b	Ancho de sangría
--escape	Escapar caracteres

---

Pipeline de Uso

# Extraer y limpiar contenido web
curl -s https://target.com | htmlq 'article' | html2text

# Extraer emails de una página
curl -s target.com | htmlq -t 'a' -o href | grep -oE 'mailto:[^ ]+'

---