Extrair links de uma página web

A API HTMLRewriter do Bun pode ser usada para extrair links de conteúdo HTML de forma eficiente. Funciona encadeando seletores CSS para corresponder aos elementos, texto e atributos que você deseja processar. Este é um exemplo simples de como extrair links de uma página web. Você pode passar para .transform uma Response, Blob ou 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);
      }
    },
  });

  // Aguarde a resposta ser processada
  await rewriter.transform(response).blob();
  console.log([...links]); // ["https://bun.com", "/docs", ...]
}

// Extrair todos os links do site Bun
await extractLinks("https://bun.com");

---

Converter URLs relativas para absolutas

Ao fazer scraping de sites, você frequentemente deseja converter URLs relativas (como /docs) para URLs absolutas. Veja como lidar com resolução de 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) {
        // Converter URLs relativas para absolutas
        try { 
          const absoluteURL = new URL(href, url).href; 
          links.add(absoluteURL);
        } catch { 
          links.add(href); 
        } 
      }
    },
  });

  // Aguarde a resposta ser processada
  await rewriter.transform(response).blob();
  return [...links];
}

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

---

Veja Docs > API > HTMLRewriter para documentação completa sobre transformação HTML com Bun.