การแยกข้อมูล (Data parsing) คือกระบวนการในการดึงข้อมูลที่มีโครงสร้างและใช้งานได้จากเนื้อหาที่ถูกเก็บข้อมูลแบบดิบ เช่น HTML, JSON หรือ XML และแปลงมันให้เป็นรูปแบบที่สะอาด เช่น สเปรดชีตหรือบันทึกในฐานข้อมูล การแยกข้อมูลเป็นขั้นตอนที่เปลี่ยนหน้าเว็บที่ถูกเก็บข้อมูลแบบดิบให้กลายเป็นข้อมูลที่ใช้งานได้จริง
วิธีการแยกข้อมูลที่พบบ่อย
- ไลบรารีการแยกข้อมูล HTML (เช่น BeautifulSoup หรือ Cheerio) ซึ่งจะนำทางโครงสร้าง DOM ของหน้าเพื่อดึงเอาองค์ประกอบเฉพาะ
- การเลือก CSS หรือการค้นหา XPath ซึ่งมุ่งเป้าไปที่องค์ประกอบตามแท็ก, คุณสมบัติ หรือ ตำแหน่งในต้นไม้เอกสาร
การแยกข้อมูล HTML ที่ไม่ถูกต้อง
หน้าเว็บจริงมักจะมีการทำเครื่องหมายที่ไม่ถูกต้อง และโปรแกรมแยกข้อมูลไม่สามารถซ่อมแซมได้ในลักษณะเดียวกัน เอกสารของ Beautiful Soup แสดงให้เห็นว่า <a></p> จะกลายเป็น <a></a> ใน html.parser ของ Python, <html><body><a></a></body></html> ใน lxml, และ <html><head></head><body><a><p></p></a></body></html> ใน html5lib ซึ่งทำการแยกข้อมูลเหมือนกับเบราว์เซอร์ เอกสารแนะนำให้ตั้งชื่อโปรแกรมแยกข้อมูลอย่างชัดเจนเพื่อให้โค้ดให้ผลลัพธ์ที่เหมือนกันในทุกเครื่อง
การแยกข้อมูล JSON
การตอบสนอง JSON จะถูกแยกข้อมูลตรงเข้าสู่วัตถุแทนที่จะถูกค้นหาเป็นการทำเครื่องหมาย ใน JavaScript, JSON.parse() จะสร้างค่าที่สตริง JSON อธิบายและโยน SyntaxError หากสตริงไม่ใช่ JSON ที่ถูกต้อง เช่น เมื่อมีเครื่องหมายจุลภาคที่ตามหลังหรือสตริงที่ใช้เครื่องหมายอัญประกาศเดี่ยว