借助ChatGPT进行数据清洗

原创 作者： 陈小兵 2023-05-05 19:16:22开发 对于少量文件可以删除http头信息后，借助T进据清另存为json文件，行数洗通过mysql的借助T进据清一些客户端程序直接导入，但对于成百上千个，行数洗甚至超过10万的借助T进据清json文件处理就比较麻烦，本文基于超过数万json文件的行数洗批量处理进行探索，数分钟解决了数据清洗。借助T进据清

在很多实际工作情况下，行数洗通过python等工具进行内容爬取，借助T进据清爬取的行数洗数据到本地后并不可用，需要进行清洗，借助T进据清清洗后导入到mysql数据库进行数据分析。行数洗对于少量文件可以删除http头信息后，借助T进据清另存为json文件，行数洗通过mysql的借助T进据清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。

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：

1. 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；
2. 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；
3. 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；
4. 将新内容写回文件中；
5. 将文件后缀名从 ".txt" 改为 ".json" 并修改文件名变量的值；
6. 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；
7. 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；
8. 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；
9. 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：

1. 增加了try-except语句，用于处理可能出现的异常情况；
2. 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；
3. 增加了错误提示，如果程序出错会显示错误信息；
4. 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 osimport jsondir = '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

责任编辑：庞桂玉 来源： 51CTO Python数据清洗

(责任编辑：综合)