PARSARE
Definiție
Parsarea nu e un termen de inteligență artificială, ci operația de bază prin care un program citește un fișier și îi înțelege structura. Apare aici fiindcă e cuvântul pe care îl vei auzi cel mai des de la un asistent AI care îți construiește o unealtă: „scriptul parsează XML-ul și scoate liniile de factură”. A parsa înseamnă a trece de la un șir de caractere la informație folosibilă: din text brut rezultă o listă de facturi, fiecare cu furnizor, dată și sumă, pe care programul le poate apoi filtra sau aduna.
Distincția utilă e față de citire: orice program poate citi un fișier, în sensul de a-i prelua caracterele; parsarea e pasul următor, în care caracterele capătă sens conform unei structuri cunoscute. De aici și motivul pentru care parsarea eșuează: fișierul nu respectă structura așteptată. Un caracter nepermis, o codificare diferită a diacriticelor, o coloană în plus într-un CSV sau o etichetă neînchisă opresc întregul proces. Extragerea prin căutare de text, fără parsare adevărată, pare mai simplă și funcționează pe primele zece fișiere, apoi cedează exact când nu trebuie.
Pentru munca de birou, parsarea e motorul din spatele oricărei unelte care transformă un fișier primit în ceva utilizabil: XML de la ANAF, extras de cont, export din ERP, PDF de la un furnizor. Regula de igienă are două puncte. Primul: unealta trebuie să spună clar când nu a putut parsa un rând, nu să îl sară în tăcere, fiindcă o linie lipsă dintr-un total nu se observă. Al doilea: numărul de rânduri din fișierul sursă și cel din rezultat se compară de fiecare dată, automat.
Exemple practice
- Extrasul de cont în format text, parsat în tabel: dată, descriere, sumă, sold. Din acel moment potrivirea cu evidența se face automat, nu ochi în ochi.
- Scriptul merge perfect trei luni și cedează în a patra, fiindcă furnizorul a adăugat o coloană în export. Nu e o eroare a codului, ci o schimbare de structură.
- Verificare obligatorie în orice unealtă de parsare: câte rânduri au intrat, câte au ieșit, câte au fost respinse și de ce. Dacă cele trei cifre nu se leagă, rezultatul nu se folosește.
Întrebări frecvente
Nu poate AI-ul să citească direct fișierul, fără parsare?
Poate, pentru un fișier mic și o întrebare unică. Pentru un fișier de zeci de mii de linii, rulat lunar, ai nevoie de un script care parsează: e rapid, gratuit, repetabil și dă același rezultat de fiecare dată. Modelul e potrivit să scrie scriptul, nu să înlocuiască rularea lui.
De ce apar caractere ciudate în locul diacriticelor?
E o nepotrivire de codificare: fișierul a fost salvat într-un standard și citit în altul. Se rezolvă spunându-i scriptului codificarea corectă a fișierului, de regulă cea numită UTF-8.
Se poate parsa un PDF?
Da, dar e mult mai fragil decât la XML sau CSV, fiindcă PDF-ul descrie cum arată pagina, nu ce înseamnă. Pentru documente scanate e nevoie în plus de recunoaștere optică a textului, iar rezultatul cere verificare umană.