Ang data parsing ay ang proseso ng pagkuha ng nakabalangkas at magagamit na impormasyon mula sa raw scraped content, tulad ng HTML, JSON, o XML, at pag-convert nito sa isang malinis na format tulad ng spreadsheet o database record. Ang parsing ang hakbang na nagiging tunay na magagamit na data ang isang raw scraped webpage.
Mga Karaniwang Paraan ng Parsing
- HTML parsing libraries (tulad ng BeautifulSoup o Cheerio), na nag-navigate sa DOM structure ng isang pahina upang makuha ang mga tiyak na elemento
- CSS selector o XPath queries, na tumutok sa mga elemento batay sa kanilang mga tag, attributes, o posisyon sa document tree
Pag-parse ng Malformed HTML
Ang mga tunay na pahina ay madalas na naglalaman ng invalid markup, at hindi ito inaayos ng mga parsers sa parehong paraan. Ipinapakita ng mga dokumento ng Beautiful Soup na ang input <a></p> ay nagiging <a></a> sa html.parser ng Python, <html><body><a></a></body></html> sa lxml, at <html><head></head><body><a><p></p></a></body></html> sa html5lib, na nagpa-parse tulad ng isang browser. Inirerekomenda ng mga dokumento na pangalanan ang parser nang tahasan upang ang code ay magbigay ng parehong resulta sa bawat makina.
Pag-parse ng JSON
Ang mga JSON responses ay direktang na-parse sa mga objects sa halip na hinanap bilang markup. Sa JavaScript, JSON.parse() ang bumubuo ng halaga na inilarawan ng isang JSON string at nagtatapon ng SyntaxError kung ang string ay hindi wastong JSON, halimbawa kapag ito ay may trailing comma o single-quoted strings.