BeautifulSoup: parseo de HTML con Python

Introducción a BeautifulSoup

BeautifulSoup es una de las bibliotecas de Python más populares y potentes para el parseo de documentos HTML y XML. Ofrece una interfaz simple e intuitiva para navegar, buscar y modificar el árbol de elementos HTML. BeautifulSoup es ampliamente utilizada por desarrolladores para web scraping, extracción de datos estructurados de páginas web, análisis de contenido y automatización de recolección de información.

¿Qué es BeautifulSoup y para qué sirve?

BeautifulSoup funciona creando una estructura de árbol a partir de un documento HTML o XML, lo que permite encontrar, extraer y modificar elementos fácilmente. La biblioteca es especialmente eficaz con HTML mal estructurado, ya que corrige automáticamente errores de marcado y genera un árbol de elementos válido.

Casos de uso principales:

• Extraer datos de sitios web para análisis
• Parsear feeds de noticias y canales RSS
• Automatizar la recolección de información de productos en tiendas online
• Analizar la estructura de páginas web
• Limpiar y procesar contenido HTML

Ventajas y capacidades de la biblioteca

Flexibilidad y facilidad de uso

BeautifulSoup ofrece una API intuitiva que permite trabajar con documentos HTML como si fueran objetos normales de Python. Puedes acceder a elementos por sus etiquetas, atributos, clases y otras características.

Soporte para múltiples analizadores

La biblioteca admite varios analizadores, cada uno con sus particularidades:

• html.parser — analizador integrado de Python (sin dependencias adicionales)
• lxml — analizador rápido y confiable con soporte para XPath
• html5lib — analizador con máxima compatibilidad con navegadores

Trabajo con HTML incorrecto

BeautifulSoup corrige automáticamente problemas en el marcado HTML, como etiquetas sin cerrar, anidación incorrecta y otros errores, lo que la hace ideal para trabajar con páginas web reales.

Integración con bibliotecas populares

Se integra fácilmente con requests para descargar páginas web, urllib para manejar URLs, selenium para procesar contenido dinámico y otras herramientas del ecosistema Python.

Soporte para expresiones regulares

Posibilidad de usar expresiones regulares para búsquedas complejas y filtrado de elementos por patrones.

Extracción y modificación de datos

Conjunto completo de herramientas para extraer texto, atributos, editar elementos HTML y crear nuevos elementos.

Instalación y configuración básica

Instalación de la biblioteca principal

pip install beautifulsoup4

Instalación de analizadores adicionales

Para usar el analizador rápido lxml:

pip install lxml

Para máxima compatibilidad con navegadores:

pip install html5lib

Importación básica

from bs4 import BeautifulSoup
import requests

Creación del objeto BeautifulSoup

Cargar un documento HTML desde una cadena

html = """
<html>
<head><title>Página de ejemplo</title></head>
<body>
    <div class="content">
        <h1>Título</h1>
        <p>Texto del párrafo</p>
    </div>
</body>
</html>
"""

soup = BeautifulSoup(html, 'html.parser')

Cargar HTML con requests

import requests
from bs4 import BeautifulSoup

url = 'https://example.com'
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')

Ca