L'analyse des données est le processus d'extraction d'informations structurées et exploitables à partir de contenu brut récupéré, comme HTML, JSON ou XML, et de les convertir en un format propre tel qu'un tableau ou un enregistrement de base de données. L'analyse est l'étape qui transforme une page web brute récupérée en données réellement exploitables.

Approches courantes de l'analyse

  • Bibliothèques d'analyse HTML (comme BeautifulSoup ou Cheerio), qui naviguent dans la structure DOM d'une page pour extraire des éléments spécifiques
  • Sélecteurs CSS ou requêtes XPath, qui ciblent des éléments par leurs balises, attributs ou position dans l'arbre du document

Analyse de HTML mal formé

Les pages réelles contiennent souvent des balises invalides, et les analyseurs ne les réparent pas de la même manière. La documentation de Beautiful Soup montre que l'entrée <a></p> devient <a></a> dans le html.parser de Python, <html><body><a></a></body></html> dans lxml, et <html><head></head><body><a><p></p></a></body></html> dans html5lib, qui analyse comme un navigateur. La documentation recommande de nommer explicitement l'analyseur afin que le code donne les mêmes résultats sur chaque machine.

Analyse de JSON

Les réponses JSON sont analysées directement en objets au lieu d'être recherchées comme du balisage. En JavaScript, JSON.parse() construit la valeur décrite par une chaîne JSON et lance un SyntaxError si la chaîne n'est pas un JSON valide, par exemple lorsqu'elle a une virgule de fin ou des chaînes entre guillemets simples.

Termes associés