Beautiful Soup

Beautiful Soup
Información general
Tipo de programa	web scraping
Autor	Leonard Richardson
Licencia	Python Software Foundation License (Inferior a la versión 4) Licencia MIT (A partir de la versión 4)​
Información técnica
Programado en	Python
Versiones
Última versión estable	4.12.317 de enero de 2024
Enlaces
Sitio web oficial Repositorio de código

Beautiful Soup es una biblioteca de Python para extraer datos de documentos HTML y XML (incluyendo los que tienen un marcado incorrecto). Esta biblioteca crea un árbol con todos los elementos del documento y puede ser utilizado para extraer información. Por lo tanto, esta biblioteca es útil para realizar web scraping — extraer información de sitios web.​

Beautiful Soup no es un analizador de documentos (parser), sino que crea las estructuras de datos necesarias para manejar de manera sencilla los datos extraídos por los analizadores, los cuales no forman parte del paquete, sobre los que trabaja.

Código de ejemplo

# extracción de todos los enlaces de un documento html
from bs4 import BeautifulSoup

with open("./index.html") as f:
    soup = BeautifulSoup(f)
 
for anchor in soup.find_all('a'):
    print(anchor.get('href', '/'))

Referencias

• Datos: Q2893296