51Testing软件测试论坛

标题: 数据清洗让ChatGPT来协助 [打印本页]

作者: lsekfe 时间: 2023-5-8 13:10
标题: 数据清洗让ChatGPT来协助
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。
　　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

欢迎光临 51Testing软件测试论坛 (http://bbs.51testing.com/)