Python 爬虫数据清洗与存储：基础教程

Python 爬虫数据清洗与存储：基础教程

在爬虫数据获取完成后，数据往往是“原始”的，不适合直接使用。清洗和存储是将爬取到的原始数据转化为有用信息的关键步骤。本文将系统地介绍 Python 中进行数据清洗与存储的基本方法，帮助新手理解如何处理爬虫数据，使其更加适合分析和使用。

1. 数据清洗的意义和作用

数据清洗指的是将爬取到的数据转换为结构化、准确且一致的格式，去除无效数据、处理缺失值、规范化格式、解析数据等。无论是进一步的分析、模型训练还是数据库存储，清洗后的数据都将更加高效和精准。

爬虫获取的数据常见问题：

• 数据缺失：某些字段可能为空或格式不一致。
• 噪音数据：可能包含广告、注释等无用信息。
• 格式不规范：如日期格式、文本的编码、大小写不一致等。

在本文中，我们将使用一些示例代码展示如何进行数据清洗和存储。

2. 常用的数据清洗库

Python 提供了多种库用于数据清洗，其中最常用的有：

• Pandas：提供了灵活的数据操作功能，可用于数据的清洗、转换和处理。
• re（正则表达式库）：用于字符串模式匹配和数据清理。
• BeautifulSoup：用于解析 HTML，清洗网页数据。
• NumPy：用于处理数值数据，补齐缺失值等。

安装 Pandas 和 BeautifulSoup：

pip install pandas beautifulsoup4

3. 示例数据集

假设我们爬取了一个电商网站的商品信息，数据如下：

商品名称	价格	评论数	上架日期
Apple iPhone 12	$999	200	2023年1月1日
Samsung Galaxy S21	价格缺失	150	无
Xiaomi Mi 11	$699	评论缺失	2023年3月5日
Sony Xperia 5	$799	100	2023/05/10
OPPO Find X3	价格错误	50	2022-12-01

可以看到，爬取的数据包含以下问题：

• 某些价格和评论数缺失。
• 日期格式不一致。
• 某些价格字段格式不正确。
• “价格缺失”和“评论缺失”这样的非标准信息，需要转化为缺失值。

我们将基于这个数据集来演示清洗步骤。

4. 数据清洗步骤

4.1 将数据载入 Pandas DataFrame

将数据转换为 Pandas 的 DataFrame 格式，便于操作。

import pandas as pd# 创建示例数据
data = {'商品名称': ['Apple iPhone 12', 'Samsung Galaxy S21', 'Xiaomi Mi 11', 'Sony Xperia 5', 'OPPO Find X3'],'价格': ['$999', '价格缺失', '$699', '$799', '价格错误'],'评论数': [200, 150, '评论缺失', 100, 50],'上架日期': ['2023年1月1日', '无', '2023年3月5日', '2023/05/10', '2022-12-01']
}
df = pd.DataFrame(data)
print(df)

输出为：

           商品名称      价格   评论数        上架日期
0  Apple iPhone 12     $999     200     2023年1月1日
1 Samsung Galaxy S21 价格缺失     150            无
2    Xiaomi Mi 11     $699 评论缺失     2023年3月5日
3      Sony Xperia 5   $799     100   2023/05/10
4        OPPO Find X3 价格错误     50    2022-12-01

4.2 处理缺失值

缺失值可以通过删除行或填充方式处理。先将“价格缺失”和“评论缺失”字段转化为 Pandas 可识别的缺失值（NaN）。

import numpy as np# 将“价格缺失”、“评论缺失”转化为 NaN
df['价格'] = df['价格'].replace(['价格缺失', '价格错误'], np.nan)
df['评论数'] = df['评论数'].replace('评论缺失', np.nan)print(df)

4.3 清洗价格字段

价格字段中包含 $ 符号，并且类型为字符串。我们可以去除符号并将其转换为数值类型，以便后续分析。

# 去除 $ 符号并转换为浮点数
df['价格'] = df['价格'].str.replace('$', '').astype(float)
print(df)

4.4 处理日期格式

上架日期包含多种格式。可以使用 pd.to_datetime 函数进行格式统一化。

# 统一上架日期格式
df['上架日期'] = pd.to_datetime(df['上架日期'], errors='coerce')
print(df)

在这里，我们使用 errors='coerce' 选项来处理格式不正确的日期，例如“无”，会将其转换为缺失值。

4.5 填充缺失值

我们可以根据需求填充缺失值，例如将价格的缺失值替换为均值，或填入特定值。

# 用平均价格填充缺失值
df['价格'].fillna(df['价格'].mean(), inplace=True)# 填充评论数为 0
df['评论数'].fillna(0, inplace=True)print(df)

5. 数据存储

完成清洗后，数据可以存储到不同的文件格式中，方便后续分析和使用。常见的数据存储格式包括 CSV、Excel、SQL 数据库和 JSON。

5.1 保存为 CSV 文件

CSV 文件是数据存储的常用格式，适合小规模数据。

df.to_csv('cleaned_data.csv', index=False)

5.2 保存为 Excel 文件

如果数据需要进一步操作或供人查看，Excel 格式是不错的选择。

df.to_excel('cleaned_data.xlsx', index=False)

5.3 保存到 SQL 数据库

SQL 数据库更适合大规模数据，可以使用 SQLite、MySQL 等。以下是使用 SQLite 存储数据的示例：

import sqlite3# 连接 SQLite 数据库（若文件不存在会自动创建）
conn = sqlite3.connect('products.db')
df.to_sql('products', conn, if_exists='replace', index=False)
conn.close()

5.4 保存为 JSON 文件

JSON 文件常用于数据传输和存储，适合嵌套结构的数据。

df.to_json('cleaned_data.json', orient='records', force_ascii=False)

6. 数据清洗与存储的最佳实践

• 格式统一：尽可能统一字段的格式，方便后续的处理和存储。
• 处理缺失值：根据具体需求选择合适的填充策略。
• 保留原始数据：清洗过程中可保留一份原始数据副本，便于溯源。
• 数据量的选择：小规模数据可以存储为 CSV 或 Excel，大规模数据推荐存储到数据库。
• 数据验证：清洗和存储后，检查数据的正确性，如统计均值、查看格式是否符合预期。

7. 小结

本文介绍了 Python 爬虫数据的清洗与存储方法，从处理缺失值、统一格式、清洗价格和日期等方面入手，并展示了如何将清洗后的数据保存为多种格式。通过掌握这些数据清洗和存储技巧，可以大幅提升爬虫数据的质量和可用性。