Estrarre link da una pagina web

L'API HTMLRewriter di Bun può essere usata per estrarre efficientemente link da contenuti HTML. Funziona concatenando selettori CSS per corrispondere agli elementi, testo e attributi che vuoi elaborare. Questo è un semplice esempio di come estrarre link da una pagina web. Puoi passare a .transform una Response, Blob o string.

async function extractLinks(url: string) {
  const links = new Set<string>();
  const response = await fetch(url);

  const rewriter = new HTMLRewriter().on("a[href]", {
    element(el) {
      const href = el.getAttribute("href");
      if (href) {
        links.add(href);
      }
    },
  });

  // Attendi che la risposta venga elaborata
  await rewriter.transform(response).blob();
  console.log([...links]); // ["https://bun.com", "/docs", ...]
}

// Estrai tutti i link dal sito web di Bun
await extractLinks("https://bun.com");

---

Convertire URL relative in assolute

Quando si esegue lo scraping di siti web, spesso si desidera convertire URL relative (come /docs) in URL assolute. Ecco come gestire la risoluzione degli URL:

async function extractLinksFromURL(url: string) {
  const response = await fetch(url);
  const links = new Set<string>();

  const rewriter = new HTMLRewriter().on("a[href]", {
    element(el) {
      const href = el.getAttribute("href");
      if (href) {
        // Converte URL relative in assolute
        try { 
          const absoluteURL = new URL(href, url).href; 
          links.add(absoluteURL);
        } catch { 
          links.add(href); 
        } 
      }
    },
  });

  // Attendi che la risposta venga elaborata
  await rewriter.transform(response).blob();
  return [...links];
}

const websiteLinks = await extractLinksFromURL("https://example.com");

---

Consulta Docs > API > HTMLRewriter per la documentazione completa sulla trasformazione HTML con Bun.