Ícono de mensaje
Saltar al pie de página
  1. IronPDF for Python
  2. Blog de IronPDF for Python
  3. Ayuda de Python
  4. Beautiful Soup Python
AYUDA DE PYTHON

Rastrillado Web con BeautifulSoup en Python

Curtis Chau
Curtis Chau
Actualizado:

Los desarrolladores de Python ahora pueden crear PDFs dinámicos y optimizar la extracción web gracias a la combinación de Beautiful Soup e IronPDF. Los desarrolladores pueden extraer fácilmente y con precisión todos los datos de fuentes web con Beautiful Soup, que es bien conocido por su habilidad para analizar archivos HTML y XML. Mientras tanto, IronPDF es una herramienta poderosa con integración fluida y capacidades sólidas que se puede utilizar para generar documentos PDF mediante programación.

Combinados, estas dos potentes herramientas permiten a los desarrolladores automatizar procesos como la creación de facturas, archivo de contenido y generación de informes con eficiencia inigualable. Analizaremos los matices de la biblioteca de Python Beautiful Soup e IronPDF en este examen introductorio, destacando tanto sus méritos específicos como su potencial revolucionario cuando se combinan. Únase a nosotros mientras exploramos las oportunidades que esperan a los desarrolladores de Python al utilizar completamente el scraper web y la creación de PDF.

Beautiful Soup Python (Cómo funciona para desarrolladores): Figura 1 - Página de inicio de Beautiful Soup

Interpretación HTML/XML

Beautiful Soup es muy bueno analizando etiquetas HTML y documentos XML, convirtiéndolos en árboles de análisis manipulables que se pueden explorar. Acoge de manera suave elementos HTML incorrectos, para que los desarrolladores puedan gestionar datos incompletos sin preocuparse por problemas de análisis.

Buscar elementos específicos en la página HTML

Las técnicas de navegación fáciles de usar de Beautiful Soup facilitan encontrar elementos específicos en la página HTML. Usando técnicas como search, find_all y select, los desarrolladores pueden navegar por la estructura del árbol y dirigir elementos con precisión según etiquetas, atributos o selectores CSS.

Características y contenido de las etiquetas de acceso

Beautiful Soup proporciona métodos sencillos para recuperar las características y contenidos de un elemento una vez que se ha localizado dentro del árbol de análisis. Los desarrolladores pueden obtener cualquier atributo personalizado vinculado a la etiqueta, así como el atributo href y otros como class e id. Para un procesamiento adicional, también pueden acceder al elemento HTML interno o contenido de texto del elemento.

Búsqueda y filtrado

Beautiful Soup tiene características fuertes de búsqueda y filtrado que permiten a los desarrolladores localizar componentes según diferentes estándares. También pueden emplear expresiones regulares para patrones de coincidencia más intrincados. Pueden buscar etiquetas particulares y filtrar ítems basados en características o clases CSS. Puede optimizar esto aún más con la biblioteca requests para buscar páginas web para análisis. Esta flexibilidad facilita la extracción de datos específicos de documentos HTML/XML.

Navegando por el árbol Parse

Dentro de la estructura del documento, los desarrolladores pueden moverse hacia arriba, abajo y de lado en el árbol de análisis. El acceso a elementos padre, hermanos e hijos es posible gracias a Beautiful Soup, lo que facilita explorar la jerarquía del documento en detalle.

Extracción de datos

Una función fundamental de Beautiful Soup es la capacidad de extraer datos de textos HTML y XML. Los desarrolladores pueden extraer fácilmente texto, enlaces, fotos, tablas y otros ítems de contenido de páginas web. De documentos complicados, pueden extraer ciertos puntos de datos o bloques enteros de contenido integrando algoritmos de navegación, filtrado y recorridos.

Cuidado con las codificaciones y las entidades

Beautiful Soup se encarga automáticamente de las codificaciones de caracteres y entidades web HTML, asegurando que los datos de texto se procesen con precisión a pesar de los problemas de codificación o caracteres especiales. Esta característica hace más fácil trabajar con material web de diversas fuentes al eliminar el requisito de decodificación de entidades o conversión manual de codificaciones.

Modificación del árbol de filtrado

Beautiful Soup no solo facilita la extracción, sino que también permite a los desarrolladores alterar dinámicamente el árbol de análisis. Según sea necesario, pueden reestructurar la estructura del documento, agregar, eliminar o alterar etiquetas y atributos, o añadir nuevos elementos. Esta característica hace posible realizar operaciones dentro del documento, como limpieza de datos, aumento de contenido y alteración estructural.

Crear y configurar Beautiful Soup para Python

Elección de un parser

Para procesar documentos HTML o XML, Beautiful Soup necesita un análisis. Hace uso de html.parser integrado en Python de forma predeterminada. Para mayor eficiencia o más compatibilidad con documentos específicos, puede especificar diferentes analizadores como lxml o html5lib. En el proceso de construir un objeto BeautifulSoup, puede proporcionar el análisis:

from bs4 import BeautifulSoup

# Specify the parser (e.g., 'lxml' or 'html5lib')
html_content = "<html>Your HTML content here</html>"
soup = BeautifulSoup(html_content, 'lxml')
from bs4 import BeautifulSoup

# Specify the parser (e.g., 'lxml' or 'html5lib')
html_content = "<html>Your HTML content here</html>"
soup = BeautifulSoup(html_content, 'lxml')
PYTHON

Configuración de las opciones de análisis

Beautiful Soup ofrece algunas opciones para alterar la forma en que opera el análisis. Puede, por ejemplo, desactivar funciones que transforman entidades HTML a caracteres Unicode o activar una opción de análisis más ajustada. Cuando se crea un objeto BeautifulSoup, estas configuraciones se proporcionan como argumentos. Esta es una ilustración de cómo desactivar la conversión de entidades:

from bs4 import BeautifulSoup

# Disable entity conversion
html_content = "<html>Your HTML content here</html>"
soup = BeautifulSoup(html_content, 'html.parser', convert_entities=False)
from bs4 import BeautifulSoup

# Disable entity conversion
html_content = "<html>Your HTML content here</html>"
soup = BeautifulSoup(html_content, 'html.parser', convert_entities=False)
PYTHON

Detección de codificación

Beautiful Soup hace un esfuerzo automático para determinar la codificación del documento. Pero ocasionalmente, especialmente cuando el contenido es poco claro o tiene problemas de codificación, es posible que deba indicar explícitamente la codificación. Al crear el objeto BeautifulSoup, tiene la opción de definir la codificación:

from bs4 import BeautifulSoup

# Specify the encoding (e.g., 'utf-8')
html_content = "<html>Your HTML content here</html>"
soup = BeautifulSoup(html_content, 'html.parser', from_encoding='utf-8')
from bs4 import BeautifulSoup

# Specify the encoding (e.g., 'utf-8')
html_content = "<html>Your HTML content here</html>"
soup = BeautifulSoup(html_content, 'html.parser', from_encoding='utf-8')
PYTHON

Formato de salida

Por defecto, Beautiful Soup añade saltos de línea e indentación al contenido analizado para hacerlo más legible. Por otro lado, al construir el objeto BeautifulSoup, puede dar la opción formatter para alterar el formateo de salida. Como ilustración, para desactivar el embellecimiento:

from bs4 import BeautifulSoup

# Disable pretty-printing
html_content = "<html>Your HTML content here</html>"
soup = BeautifulSoup(html_content, 'html.parser', formatter=None)
from bs4 import BeautifulSoup

# Disable pretty-printing
html_content = "<html>Your HTML content here</html>"
soup = BeautifulSoup(html_content, 'html.parser', formatter=None)
PYTHON

Subclases NavigableString y Tag

Puede cambiar qué clases utiliza Beautiful Soup para objetos NavigableString y Tag. Esto podría ayudar a expandir las capacidades de Beautiful Soup o integrarlo con otras bibliotecas. Al construir el objeto BeautifulSoup, puede pasar subclases de NavigableString y Tag como parámetros.

Empezando

¿Qué es IronPDF?

Para producir, editar y modificar documentos PDF programáticamente en C#, VB.NET y otros lenguajes .NET, IronPDF es una biblioteca .NET potente. Es una opción popular para muchas aplicaciones, ya que ofrece a los desarrolladores un conjunto de características extenso para crear de manera dinámica PDFs de alta calidad.

Beautiful Soup Python (Cómo funciona para desarrolladores): Figura 2 - Página de inicio de IronPDF

Características de IronPDF

  • Generación de PDF: Con IronPDF, los desarrolladores pueden transformar una etiqueta HTML, texto, imágenes y otros formatos de archivo en PDFs o comenzar de cero con la creación de documentos PDF. Esta capacidad es muy útil para crear dinámicamente informes, facturas, recibos y otros documentos.
  • Convirtiendo HTML a PDF: IronPDF permite a los desarrolladores convertir fácilmente la estructura HTML, incluidos JavaScript y estilos CSS, en documentos PDF. Esto hace posible crear PDFs a partir de plantillas HTML, páginas web y material creado dinámicamente.
  • Edición y Manipulación de Documentos PDF: IronPDF ofrece una amplia gama de funciones de edición y manipulación para documentos PDF preexistentes. Para alterar PDFs a sus especificaciones, los desarrolladores pueden combinar varios archivos PDF, dividirlos en documentos distintos, extraer páginas y agregar marcadores, anotaciones y marcas de agua, entre otras cosas.

Instalación

IronPDF y Beautiful Soup deben instalarse primero. Pip, el administrador de paquetes para Python, se puede utilizar para esto.

pip install beautifulsoup4 
pip install ironpdf
pip install beautifulsoup4 
pip install ironpdf
SHELL

Importar bibliotecas

Luego, importe su script de Python usando las bibliotecas necesarias.

from bs4 import BeautifulSoup
from ironpdf import IronPdf
from bs4 import BeautifulSoup
from ironpdf import IronPdf
PYTHON

Web Scraping con Beautiful Soup

Utilice Beautiful Soup para extraer información de un sitio web. Imaginemos que deseamos recuperar el título y el contenido de un artículo de una página web.

# HTML content of the article
html_content = """
<html>
<head>
<title>Hello</title>
</head>
<body>
<h1>IronPDF</h1>
<p>This is a sample content of the article.</p>
</body>
</html>
"""
# Create a BeautifulSoup object
soup = BeautifulSoup(html_content, 'html.parser')

# Extract title and content
title = soup.find('title').text
content = soup.find('h1').text + soup.find('p').text

print('Title:', title)
print('Content:', content)
# HTML content of the article
html_content = """
<html>
<head>
<title>Hello</title>
</head>
<body>
<h1>IronPDF</h1>
<p>This is a sample content of the article.</p>
</body>
</html>
"""
# Create a BeautifulSoup object
soup = BeautifulSoup(html_content, 'html.parser')

# Extract title and content
title = soup.find('title').text
content = soup.find('h1').text + soup.find('p').text

print('Title:', title)
print('Content:', content)
PYTHON

Generación de PDF con IronPDF

Ahora vamos a utilizar IronPDF para crear un documento PDF con los datos extraídos.

from ironpdf import IronPdf, ChromePdfRenderer

# Initialize IronPDF
# Create a new PDF document
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf(
    "<html><head><title>{}</title></head><body><h1>{}</h1><p>{}</p></body></html>".format(title, title, content)
)

# Save the PDF document to a file
pdf.SaveAs("sample_article.pdf")
from ironpdf import IronPdf, ChromePdfRenderer

# Initialize IronPDF
# Create a new PDF document
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf(
    "<html><head><title>{}</title></head><body><h1>{}</h1><p>{}</p></body></html>".format(title, title, content)
)

# Save the PDF document to a file
pdf.SaveAs("sample_article.pdf")
PYTHON

Este script tomará el título y texto del artículo de muestra, lo extraerá y almacenará los datos HTML como un archivo PDF llamado sample_article.pdf que se guardará en el directorio actual.

Beautiful Soup Python (Cómo funciona para desarrolladores): Figura 3 - Ejemplo de salida del código anterior

Conclusión

En conclusión, los desarrolladores que busquen optimizar su flujo de trabajo de extracción de datos y creación de documentos encontrarán una poderosa combinación en Beautiful Soup Python e IronPDF. Las robustas características de IronPDF permiten la generación dinámica de documentos PDF de calidad profesional, mientras que las habilidades de análisis de Beautiful Soup permiten la extracción de datos útiles de fuentes web.

Cuando se combinan, estas dos bibliotecas ofrecen a los desarrolladores los recursos que necesitan para automatizar una variedad de operaciones, incluyendo la creación de facturas, informes y extracción web. La colaboración entre Beautiful Soup e IronPDF permite a los desarrolladores lograr sus objetivos de manera rápida y efectiva, ya sea extrayendo datos de código HTML intrincado o creando instantáneamente publicaciones PDF personalizadas.

IronPDF tiene un precio razonable cuando se compra en paquete y viene con una licencia de por vida. Dado que el paquete solo cuesta $799, que es un pago único para múltiples sistemas, proporciona un valor excelente. Los titulares de licencias pueden acceder al soporte de ingeniería en línea las 24 horas del día. Para obtener información adicional sobre el cargo, visite el sitio web. Para saber más sobre las ofertas de Iron Software, visite este sitio web.

Curtis Chau
Curtis Chau
  Chatea con el equipo de ingeniería ahora
Escritor Técnico

Curtis Chau tiene una licenciatura en Ciencias de la Computación (Carleton University) y se especializa en el desarrollo front-end con experiencia en Node.js, TypeScript, JavaScript y React. Apasionado por crear interfaces de usuario intuitivas y estéticamente agradables, disfruta trabajando con frameworks modernos y creando manuales bien ...

Leer más

Artículos Relacionados

Prueba de 30 días → Producto completo. Sin límites. Sin tarjeta. Comenzar prueba gratuita