ডেটা পার্সিং হল কাঁচা স্ক্র্যাপ করা কনটেন্ট, যেমন HTML, JSON, বা XML থেকে কাঠামোগত, ব্যবহারযোগ্য তথ্য বের করার প্রক্রিয়া এবং এটিকে একটি পরিষ্কার ফরম্যাটে রূপান্তর করা, যেমন স্প্রেডশিট বা ডেটাবেস রেকর্ড। পার্সিং হল সেই পদক্ষেপ যা একটি কাঁচা স্ক্র্যাপ করা ওয়েবপেজকে প্রকৃত ব্যবহারযোগ্য ডেটায় রূপান্তরিত করে।
সাধারণ পার্সিং পদ্ধতি
- HTML পার্সিং লাইব্রেরি (যেমন BeautifulSoup বা Cheerio), যা একটি পৃষ্ঠার DOM কাঠামোতে নেভিগেট করে নির্দিষ্ট উপাদানগুলি বের করে
- CSS সিলেক্টর বা XPath কোয়েরি, যা ডকুমেন্ট গাছের মধ্যে তাদের ট্যাগ, অ্যাট্রিবিউট, বা অবস্থান দ্বারা উপাদানগুলিকে লক্ষ্য করে
ভুল HTML পার্সিং
বাস্তব পৃষ্ঠাগুলি প্রায়ই অবৈধ মার্কআপ ধারণ করে, এবং পার্সারগুলি এটি একইভাবে মেরামত করে না। বিউটিফুল স্যুপের ডকস দেখায় যে ইনপুট <a></p> পাইথনের html.parser-এ <a></a> হয়ে যায়, lxml-এ <html><body><a></a></body></html> এবং html5lib-এ <html><head></head><body><a><p></p></a></body></html>, যা একটি ব্রাউজারের মতো পার্স করে। ডকস সুপারিশ করে যে পার্সারটির নাম স্পষ্টভাবে উল্লেখ করা উচিত যাতে কোড প্রতিটি মেশিনে একই ফলাফল দেয়।
JSON পার্সিং
JSON প্রতিক্রিয়াগুলি মার্কআপ হিসাবে অনুসন্ধান না করে সরাসরি অবজেক্টে পার্স করা হয়। জাভাস্ক্রিপ্টে, JSON.parse() একটি JSON স্ট্রিং বর্ণনা করে যে মানটি তৈরি করে এবং যদি স্ট্রিংটি বৈধ JSON না হয় তবে একটি SyntaxError ছুঁড়ে ফেলে, উদাহরণস্বরূপ যখন এতে একটি ট্রেইলিং কমা বা একক উদ্ধৃত স্ট্রিং থাকে।