ڈیٹا پارسنگ خام سکریپ شدہ مواد جیسے کہ HTML، JSON، یا XML سے ساختہ، قابل استعمال معلومات نکالنے کا عمل ہے اور اسے ایک صاف شکل جیسے کہ اسپریڈشیٹ یا ڈیٹا بیس ریکارڈ میں تبدیل کرنا ہے۔ پارسنگ وہ مرحلہ ہے جو ایک خام سکریپ شدہ ویب پیج کو حقیقی قابل استعمال ڈیٹا میں تبدیل کرتا ہے۔
عام پارسنگ کے طریقے
- HTML پارسنگ لائبریریاں (جیسے کہ BeautifulSoup یا Cheerio)، جو ایک صفحے کے DOM ڈھانچے میں مخصوص عناصر نکالنے کے لیے نیویگیٹ کرتی ہیں
- CSS سلیکٹر یا XPath کوئریاں، جو عناصر کو ان کے ٹیگ، خصوصیات، یا دستاویز کے درخت میں مقام کے ذریعے ہدف بناتی ہیں
خراب HTML کی پارسنگ
حقیقی صفحات اکثر غلط مارک اپ پر مشتمل ہوتے ہیں، اور پارسر اسے ایک ہی طرح سے درست نہیں کرتے۔ بیوٹیفل سوپ کی دستاویزات دکھاتی ہیں کہ ان پٹ <a></p> Python کے html.parser میں <a></a>، lxml میں <html><body><a></a></body></html>، اور html5lib میں <html><head></head><body><a><p></p></a></body></html> بن جاتا ہے، جو براؤزر کی طرح پارس کرتا ہے۔ دستاویزات تجویز کرتی ہیں کہ پارسر کا نام واضح طور پر دیا جائے تاکہ کوڈ ہر مشین پر ایک ہی نتائج دے۔
JSON کی پارسنگ
JSON جوابات کو براہ راست اشیاء میں پارس کیا جاتا ہے بجائے اس کے کہ مارک اپ کے طور پر تلاش کیا جائے۔ جاوا اسکرپٹ میں، JSON.parse() ایک JSON سٹرنگ کی وضاحت کردہ قیمت بناتا ہے اور اگر سٹرنگ درست JSON نہیں ہے تو ایک SyntaxError پھینکتا ہے، مثال کے طور پر جب اس میں ایک ٹریلنگ کاما یا سنگل کوٹڈ سٹرنگز ہوں۔