Análisis de HTML con BeautifulSoup
Navegue por el árbol de análisis y extraiga datos mediante selectores.
Análisis de HTML con BeautifulSoup es una lección gratuita de Python Academy en CoddyKit. Esta es la lección 2 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Python Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Python Academy incluye 4 lecciones en total.
Instalación de BeautifulSoup
beautifulsoup4 analiza HTML y XML. Use el analizador lxml para obtener mayor velocidad o html.parser si desea usarlo sin dependencias adicionales.
# pip install beautifulsoup4 lxml
from bs4 import BeautifulSoup
html = "<h1>Hello</h1><p class='intro'>World</p>"
soup = BeautifulSoup(html, "lxml")
print(soup.h1.text) # HelloBúsqueda de elementos
find(tag) devuelve el primer elemento coincidente. find_all(tag) devuelve una lista con todos los elementos coincidentes.
from bs4 import BeautifulSoup
html = "<ul><li>A</li><li>B</li><li>C</li></ul>"
soup = BeautifulSoup(html, "lxml")
print(soup.find("li").text) # A
print([li.text for li in soup.find_all("li")]) # [A,B,C]Selectores CSS
soup.select("css selector") usa la sintaxis de CSS. soup.select_one() devuelve la primera coincidencia.
from bs4 import BeautifulSoup
html = '<div class="card"><a href="/p/1">Link 1</a></div>'
soup = BeautifulSoup(html, "lxml")
print(soup.select("div.card a")[0]["href"]) # /p/1
print(soup.select_one("a")["href"]) # /p/1Acceso a atributos
Acceda a los atributos de una etiqueta como si fuera un diccionario: tag["href"], tag.get("class", []).
from bs4 import BeautifulSoup
html = '<a href="https://example.com" class="link external">Click</a>'
soup = BeautifulSoup(html, "lxml")
a = soup.find("a")
print(a["href"]) # https://example.com
print(a.get("class", [])) # ['link', 'external']Navegación por el árbol de análisis
Use .parent, .children, .next_sibling y .previous_sibling para recorrer el árbol.
from bs4 import BeautifulSoup
html = "<div><h2>Title</h2><p>Para</p></div>"
soup = BeautifulSoup(html, "lxml")
h2 = soup.find("h2")
print(h2.parent.name) # div
print(h2.next_sibling.text) # Para (next sibling)Extracción de texto
tag.get_text(separator=" ", strip=True) devuelve todo el texto contenido en una etiqueta, con los espacios en blanco depurados.
from bs4 import BeautifulSoup
html = "<div> <p>Hello</p> <p> World </p> </div>"
soup = BeautifulSoup(html, "lxml")
print(soup.div.get_text(separator=" ", strip=True))
# Hello WorldWeb scraping con requests + BeautifulSoup
Obtenga una página con requests y analícela con BeautifulSoup: la combinación clásica para hacer scraping.
import requests
from bs4 import BeautifulSoup
url = "https://books.toscrape.com"
r = requests.get(url, timeout=10)
soup = BeautifulSoup(r.text, "lxml")
titles = [h3.find("a")["title"] for h3 in soup.select("article.product_pod h3")]
print(titles[:3])Gestión de URL relativas
Use urllib.parse.urljoin(base, href) para convertir enlaces relativos en URL absolutas.
from urllib.parse import urljoin
base = "https://example.com/products/"
href = "../about"
print(urljoin(base, href)) # https://example.com/aboutGestión de codificaciones
BeautifulSoup detecta automáticamente la codificación, pero puede especificarla o usar r.encoding de requests.
import requests
from bs4 import BeautifulSoup
r = requests.get("https://example.com")
print(r.encoding) # e.g. utf-8
soup = BeautifulSoup(r.content, "lxml", from_encoding=r.encoding)Modificación y serialización
Modifique el árbol de análisis y conviértalo de nuevo a HTML con str(tag) o soup.prettify().
from bs4 import BeautifulSoup
html = "<p>Hello <b>world</b></p>"
soup = BeautifulSoup(html, "lxml")
soup.b.decompose() # remove the <b> tag
print(str(soup.p)) # <p>Hello </p>Limitaciones de BeautifulSoup
BS4 analiza HTML estático. No puede ejecutar JavaScript. Para páginas renderizadas con JS, use Playwright o Selenium.
# BeautifulSoup: good for static HTML
# Playwright: for JavaScript-rendered SPAs
# Scrapy: for large-scale crawls with pipelines
# pip install playwright
# playwright install
# from playwright.async_api import async_playwrightComprobación rápida
¿Qué método devuelve todos los elementos que coinciden con un selector CSS en BeautifulSoup?
Repaso
BeautifulSoup analiza el HTML y lo convierte en un árbol navegable. Use find()/find_all() para buscar etiquetas, select() para selectores CSS y get_text() para obtener texto limpio. Combínelo con requests para páginas estáticas y use Playwright para contenido renderizado con JS.
Preguntas frecuentes
¿La lección «Análisis de HTML con BeautifulSoup» es gratis?
Sí — el texto completo de «Análisis de HTML con BeautifulSoup» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Python Academy, actualiza a CoddyKit PRO. El curso de Python Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Análisis de HTML con BeautifulSoup»?
Navegue por el árbol de análisis y extraiga datos mediante selectores. Practicas Python Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Python Academy?
No se requiere experiencia previa. Python Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 4.
¿Cuánto tiempo toma la lección «Análisis de HTML con BeautifulSoup»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Python Academy?
Sí. Cada lección de Python Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Solicitudes HTTP con requests y httpx
- Análisis de HTML con BeautifulSoup
- Creación de un spider con Scrapy
- Gestión de JavaScript y medidas contra el scraping