डेटा पार्सिंग कच्चे स्क्रैप की गई सामग्री, जैसे HTML, JSON, या XML से संरचित, उपयोगी जानकारी निकालने की प्रक्रिया है, और इसे एक साफ प्रारूप जैसे स्प्रेडशीट या डेटाबेस रिकॉर्ड में परिवर्तित करना है। पार्सिंग वह कदम है जो एक कच्चे स्क्रैप किए गए वेबपृष्ठ को वास्तव में उपयोगी डेटा में बदलता है।
सामान्य पार्सिंग दृष्टिकोण
- HTML पार्सिंग पुस्तकालय (जैसे BeautifulSoup या Cheerio), जो एक पृष्ठ की DOM संरचना को नेविगेट करते हैं ताकि विशिष्ट तत्वों को निकाला जा सके
- CSS चयनकर्ता या XPath क्वेरी, जो तत्वों को उनके टैग, विशेषताओं, या दस्तावेज़ वृक्ष में स्थिति के आधार पर लक्षित करते हैं
गलत HTML पार्सिंग
वास्तविक पृष्ठ अक्सर अमान्य मार्कअप होते हैं, और पार्सर इसे उसी तरह से ठीक नहीं करते हैं। Beautiful Soup के दस्तावेज़ दिखाते हैं कि इनपुट <a></p> Python के html.parser में <a></a> में, lxml में <html><body><a></a></body></html> में, और html5lib में <html><head></head><body><a><p></p></a></body></html> में बदलता है, जो एक ब्राउज़र की तरह पार्स करता है। दस्तावेज़ स्पष्ट रूप से पार्सर का नामकरण करने की सिफारिश करते हैं ताकि कोड हर मशीन पर समान परिणाम दे सके।
JSON पार्सिंग
JSON प्रतिक्रियाएँ सीधे वस्तुओं में पार्स की जाती हैं बजाय इसके कि उन्हें मार्कअप के रूप में खोजा जाए। JavaScript में, JSON.parse() एक JSON स्ट्रिंग द्वारा वर्णित मान बनाता है और यदि स्ट्रिंग मान्य JSON नहीं है, जैसे कि जब इसमें एक ट्रेलिंग कॉमा या सिंगल-कोटेड स्ट्रिंग होती है, तो एक SyntaxError फेंकता है।