借助ChatGPT进行数据清洗

在很多实际工作情况下，通过python等工具进行内容爬取，爬取的数据到本地后并不可用，需要进行清洗，清洗后导入到mysql数据库进行数据分析。对于少量文件可以删除http头信息后，另存为json文件，通过mysql的一些客户端程序直接导入，但对于成百上千个，甚至超过10万的json文件处理就比较麻烦，本文基于超过数万json文件的批量处理进行探索，数分钟解决了数据清洗。

创新互联建站是一家集网站建设,长汀企业网站建设,长汀品牌网站建设,网站定制,长汀网站建设报价,网络营销,网络优化,长汀网站推广为一体的创新建站企业，帮助传统企业提升企业形象加强企业竞争力。可充分满足这一群体相比中小企业更为丰富、高端、多元的互联网需求。同时我们时刻保持专业、时尚、前沿，时刻以成就客户成长自我，坚持不断学习、思考、沉淀、净化自己，让我们为更多的企业打造出实用型网站。

一、程序功能设计

1.3-用户列表目录存放burpsuite爬取的数据。

2.爬取数据的格式为json文件

3.爬取的文件带有http头内容，通过记事本等编辑器打开显示头文件内容为15行。

4.需要删除每一个文件中的前15行。

5.对所有目录下的文件命名为txt文件，处理完毕后命名为json文件。

6.依次读取所有json文件，通过逗号分隔列名，保存为out.txt文件。

7.程序处理出错，继续运行，且保存出错信息。

二、实现编程

这是一个 Python 程序，可以将一个目录中的 JSON 文件转换成 CSV 格式，然后将其写入到一个名为 "3-用户列表.txt" 的文件中，并记录执行过程中的错误信息到 "error.log" 文件中。

程序的主要逻辑如下：

获取目录中所有的文件（只包括文件），如果没有任何文件，则抛出异常；
遍历文件，如果文件的后缀不是 ".txt"，则重命名文件名字并改变文件名变量的值；
读取文件内容，将前 15 行保留在一个字符串中，剩余部分作为新内容；
将新内容写回文件中；
将文件后缀名从 ".txt" 改为 ".json" 并修改文件名变量的值；
读取 JSON 文件的内容，并获取其中 "data" 中 "list" 数组中的每个元素的 key 值，这些 key 值作为表格的列名，并将这些列名保存到数组 "columns" 中；
遍历 "list" 数组中的每个元素，将每一行的值存入一个数组 "row_values" 中，最后将 "row_values" 中的所有值拼接成一个字符串，以逗号为分隔符，将其保存到数组 "rows" 中；
将 "columns" 和 "rows" 写入到 "3-用户列表.txt" 文件中。如果该文件的大小为0，那么先写入 "columns"；否则直接写入 "rows" 内容；
打印信息表明某个文件的数据被写入了 "out.txt" 文件中。

程序运行过程中出现错误，不会影响程序的整体执行，而是将错误信息记录到 "error.log" 文件中。

三、不断优化

优化内容：

增加了try-except语句，用于处理可能出现的异常情况；
增加了对目录下是否存在任何文件的判断，防止在空目录中运行程序；
增加了错误提示，如果程序出错会显示错误信息；
代码整体结构并没有变化，只是在原有的代码基础上增加了一些出错处理的逻辑。

import os
import json


dir = '3-用户列表'


try:
    all_files = [f for f in os.listdir(dir) if os.path.isfile(os.path.join(dir, f))]
    if not all_files:
        raise Exception('该目录下不存在任何文件')


    with open('error.log', 'a+', encoding='utf-8') as error_file:
        for file in all_files:
            try:
                if not file.endswith('.txt'):
                    os.rename(os.path.join(dir, file), os.path.join(dir, os.path.splitext(file)[0] + '.txt'))
                    file = os.path.splitext(file)[0] + '.txt'


                with open(os.path.join(dir, file), 'r', encoding='utf-8') as txt_file:
                    content = txt_file.readlines()


                deleted_content = '\n'.join(content[:15])
                new_content = ''.join(content[15:])
                with open(os.path.join(dir, file), 'w', encoding='utf-8') as txt_file:
                    txt_file.write(new_content)


                json_file = os.path.splitext(file)[0] + '.json'
                os.rename(os.path.join(dir, file), os.path.join(dir, json_file))


                with open(os.path.join(dir, json_file), 'r', encoding='utf-8') as j_file:
                    data = json.load(j_file)
                    columns = list(data['data']['list'][0].keys())
                    rows = []


                    for item in data['data']['list']:
                        row_values = []
                        for column in columns:
                            value = str(item[column]).replace('\n','').replace(',','')
                            row_values.append(value)
                        rows.append(','.join(row_values))


                    with open('3-用户列表.txt', 'a+', encoding='utf-8') as out_file:
                        if out_file.tell() == 0:
                            out_file.write(','.join(columns) + '\n')
                        out_file.write('\n'.join(rows)+'\n')


                    print("文件{}中的数据已写入out.txt文件中".format(json_file))


            except Exception as e:
                error_file.write('文件{}处理出错：{}\n'.format(file, e))
                print('文件{}处理出错：{}'.format(file, e))


except Exception as e:
    print("出错了：", e)

四、注意事项

1.需要看json数据格式：

data对应list不同的json文件中list不一样，需要在代码中进行修改。

2.处理后的文件内容可能存在重复，需要去重以及处理一些脏数据

五、实际处理效果

本文名称：借助ChatGPT进行数据清洗
URL链接：http://www.csdahua.cn/qtweb/news28/104328.html

网站建设、网络推广公司-快上网，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源：快上网

成都快上网为您推荐相关内容