Data-parsing is die proses om gestruktureerde, bruikbare inligting uit ruwe gescrapete inhoud, soos HTML, JSON of XML, te onttrek en dit in 'n skoon formaat soos 'n sigblad of databasisrekord om te skakel. Parsing is die stap wat 'n ruwe gescrapete webblad in werklike bruikbare data omskakel.

Algemene Parsing Benaderings

  • HTML parsing biblioteke (soos BeautifulSoup of Cheerio), wat 'n bladsy se DOM-struktuur navigeer om spesifieke elemente te onttrek
  • CSS selektor of XPath navrae, wat elemente teiken volgens hul etikette, eienskappe of posisie in die dokumentboom

Parsing van Ongeldig HTML

Regte bladsye bevat dikwels ongeldig gemerkte inhoud, en parsers herstel dit nie op dieselfde manier nie. Beautiful Soup se dokumentasie toon hoe die invoer <a></p> in Python se html.parser <a></a> word, <html><body><a></a></body></html> in lxml, en <html><head></head><body><a><p></p></a></body></html> in html5lib, wat soos 'n blaaiert pars. Die dokumentasie beveel aan om die parser eksplisiet te benoem sodat die kode dieselfde resultate op elke masjien gee.

Parsing JSON

JSON-antwoorde word regstreeks in objekke gepars eerder as om as gemerkte inhoud gesoek te word. In JavaScript, JSON.parse() bou die waarde wat 'n JSON-string beskryf en gooi 'n SyntaxError as die string nie geldige JSON is nie, byvoorbeeld wanneer dit 'n agterkomma of enkel-aanhalingstekens het.

Verwante Terme