Phân tích dữ liệu là quá trình trích xuất thông tin có cấu trúc, có thể sử dụng từ nội dung thô đã được thu thập, như HTML, JSON hoặc XML, và chuyển đổi nó thành định dạng sạch như bảng tính hoặc bản ghi cơ sở dữ liệu. Phân tích là bước biến một trang web thô đã được thu thập thành dữ liệu có thể sử dụng thực sự.

Các phương pháp phân tích phổ biến

  • Thư viện phân tích HTML (như BeautifulSoup hoặc Cheerio), điều hướng cấu trúc DOM của một trang để trích xuất các phần tử cụ thể
  • Truy vấn CSS selector hoặc XPath, nhắm mục tiêu các phần tử theo thẻ, thuộc tính hoặc vị trí của chúng trong cây tài liệu

Phân tích HTML không hợp lệ

Các trang thực thường chứa mã không hợp lệ, và các bộ phân tích không sửa chữa nó theo cùng một cách. Tài liệu của Beautiful Soup cho thấy đầu vào <a></p> trở thành <a></a> trong html.parser của Python, <html><body><a></a></body></html> trong lxml, và <html><head></head><body><a><p></p></a></body></html> trong html5lib, cái mà phân tích giống như một trình duyệt. Tài liệu khuyên nên đặt tên cho bộ phân tích một cách rõ ràng để mã cho kết quả giống nhau trên mọi máy.

Phân tích JSON

Các phản hồi JSON được phân tích trực tiếp thành các đối tượng thay vì được tìm kiếm như mã. Trong JavaScript, JSON.parse() xây dựng giá trị mà một chuỗi JSON mô tả và ném ra một SyntaxError nếu chuỗi không phải là JSON hợp lệ, ví dụ khi nó có dấu phẩy thừa hoặc chuỗi được đặt trong dấu nháy đơn.

Các thuật ngữ liên quan