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。