Механизм парсинга HTML-документов в Beautiful Soup работает следующим образом: 3

1. Документ преобразуется в Unicode, а HTML-объекты — в символы Unicode. 3
2. Затем Beautiful Soup анализирует документ с помощью лучшего доступного парсера. 3 По умолчанию используется парсер HTML, если не указано иное. 3
3. Библиотека преобразует сложный HTML-документ в сложное дерево объектов Python. 3 Всего четыре основных объекта: Tag, NavigableString, BeautifulSoup и Comment. 4

Объект Tag ссылается на фактический тег XML или HTML в документе. 4 Объект NavigableString хранит текст в теге. 4 Объект BeautifulSoup используется для представления документа в целом. 4

Для изменения используемого парсера при создании объекта BeautifulSoup нужно указать два аргумента: 4 фактическую разметку и синтаксический анализатор, который нужно использовать. 4 Поддерживаются парсеры html.parser, lxml и html5lib. 4

Также Beautiful Soup автоматически исправляет невалидный HTML, пытаясь восстановить неправильную структуру документа. 2