Veri ayrıştırma, HTML, JSON veya XML gibi ham kazınmış içerikten yapılandırılmış, kullanılabilir bilgilerin çıkarılması ve bunların bir elektronik tablo veya veritabanı kaydı gibi temiz bir formata dönüştürülmesi sürecidir. Ayrıştırma, ham bir kazınmış web sayfasını gerçekten kullanılabilir verilere dönüştüren adımdır.

Yaygın Ayrıştırma Yaklaşımları

  • HTML ayrıştırma kütüphaneleri (örneğin BeautifulSoup veya Cheerio), belirli öğeleri çıkarmak için bir sayfanın DOM yapısında gezinir
  • CSS seçici veya XPath sorguları, öğeleri etiketleri, nitelikleri veya belge ağacındaki konumlarıyla hedef alır

Bozuk HTML Ayrıştırma

Gerçek sayfalar genellikle geçersiz işaretleme içerir ve ayrıştırıcılar bunu aynı şekilde onarmaz. Beautiful Soup'un belgeleri, giriş <a></p>'in Python'un html.parser'ında <a></a>'ye, lxml'de <html><body><a></a></body></html>'e ve html5lib'de, tarayıcı gibi ayrıştıran <html><head></head><body><a><p></p></a></body></html>'e dönüştüğünü gösterir. Belgeler, kodun her makinede aynı sonuçları vermesi için ayrıştırıcıyı açıkça adlandırmayı önerir.

JSON Ayrıştırma

JSON yanıtları, işaretleme olarak aranmak yerine doğrudan nesnelere ayrıştırılır. JavaScript'te, JSON.parse() bir JSON dizesinin tanımladığı değeri oluşturur ve dize geçerli bir JSON değilse, örneğin bir son virgül veya tek tırnaklı dizeler içeriyorsa bir SyntaxError fırlatır.

İlgili Terimler