一、首先理解下面幾個函數
設置變量 length()函數 char_length() replace() 函數 max() 函數
1.1、設置變量 set @變量名=值
|
1
2
|
set @address='中國-山東省-聊城市-莘縣';select @address |
1.2 、length()函數 char_length()函數區別
|
1
2
3
4
|
select length('a'),char_length('a'),length('中'),char_length('中') |
1.3、 replace() 函數 和length()函數組合
|
1
2
3
4
5
6
|
set @address='中國-山東省-聊城市-莘縣';select @address,replace(@address,'-','') as address_1,length(@address) as len_add1,length(replace(@address,'-','')) as len_add2,length(@address)-length(replace(@address,'-','')) as _count |
etl清洗字段時候有明顯分割符的如何確定新的數據表增加幾個分割出的字段
計算出com_industry中最多有幾個 - 符 以便確定增加幾個字段 最大值+1 為可以拆分成的字段數 此表為3 因此可以拆分出4個行業字段 也就是4個行業等級
|
1
2
|
select max(length(com_industry)-length(replace(com_industry,'-',''))) as _max_countfrom etl1_socom_data |
1.4、設置變量 substring_index()字符串截取函數用法
|
1
2
3
4
5
6
|
set @address='中國-山東省-聊城市-莘縣';select substring_index(@address,'-',1) as china,substring_index(substring_index(@address,'-',2),'-',-1) as province,substring_index(substring_index(@address,'-',3),'-',-1) as city,substring_index(@address,'-',-1) as district |
1.5、條件判斷函數 case when
|
1
2
3
|
case when then when then else 值 end as 字段名select case when 89>101 then '大于' else '小于' end as betl1_socom_data |
二、kettle轉換etl1清洗
首先建表 步驟在視頻里
字段索引 沒有提 索引算法建議用BTREE算法增強查詢效率
2.1.kettle文件名：trans_etl1_socom_data
2.2.包括控件：表輸入>>>表輸出
2.3.數據流方向：s_socom_data>>>>etl1_socom_data
kettle轉換1截圖
2.4、表輸入2.4、SQL腳本 初步清洗com_district和com_industry字段
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
select a.*,case when com_district like '%業' or com_district like '%織' or com_district like '%育' then null else com_district end as com_district1,case when com_district like '%業' or com_district like '%織' or com_district like '%育' then concat(com_district,'-',com_industry) else com_industry end as com_industry_total,replace(com_addr,'地 址：','') as com_addr1,replace(com_phone,'電 話：','') as com_phone1,replace(com_fax,'傳 真：','') as com_fax1,replace(com_mobile,'手機：','') as com_mobile1,replace(com_url,'網址：','') as com_url1,replace(com_email,'郵箱：','') as com_email1,replace(com_contactor,'聯系人：','') as com_contactor1,replace(com_emploies_nums,'公司人數：','') as com_emploies_nums1,replace(com_reg_capital,'注冊資金：萬','') as com_reg_capital1,replace(com_type,'經濟類型：','') as com_type1,replace(com_product,'公司產品：','') as com_product1,replace(com_desc,'公司簡介：','') as com_desc1from s_socom_data as a |
2.5、表輸出
表輸出設置注意事項
注意事項：
① 涉及爬蟲增量操作 不要勾選裁剪表選項
②數據連接問題 選擇表輸出中表所在的數據庫
③字段映射問題 確保數據流中的字段和物理表的字段數量一致 對應一致
三、kettle轉換etl2清洗
首先建表增加了4個字段 演示步驟在視頻里
字段索引 沒有提 索引算法建議用BTREE算法增強查詢效率
主要針對etl1 生成的新的com_industry進行字段拆分 清洗
3.1.kettle文件名：trans_etl2_socom_data
3.2.包括控件：表輸入>>>表輸出
3.3.數據流方向：etl1_socom_data>>>>etl2_socom_data
注意事項：
① 涉及爬蟲增量操作 不要勾選裁剪表選項
②數據連接問題 選擇表輸出中表所在的數據庫
③字段映射問題 確保數據流中的字段和物理表的字段數量一致 對應一致
kettle轉換2截圖
3.4、SQL腳本 對com_industry進行拆分 完成所有字段清洗 注冊資金字段時間關系沒有進行細致拆解 調整代碼即可
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
select a.*,case #行業為''的值 置為空when length(com_industry)=0 then null#其他的取第一個-分隔符之前else substring_index(com_industry,'-',1) end as com_industry1,case when length(com_industry)-length(replace(com_industry,'-',''))=0 then null#'交通運輸、倉儲和郵政業-' 這種值 行業2 也置為nullwhen length(com_industry)-length(replace(com_industry,'-',''))=1 and length(substring_index(com_industry,'-',-1))=0 then nullwhen length(com_industry)-length(replace(com_industry,'-',''))=1 then substring_index(com_industry,'-',-1)else substring_index(substring_index(com_industry,'-',2),'-',-1)end as com_industry2,case when length(com_industry)-length(replace(com_industry,'-',''))<=1 then nullwhen length(com_industry)-length(replace(com_industry,'-',''))=2 then substring_index(com_industry,'-',-1)else substring_index(substring_index(com_industry,'-',3),'-',-1)end as com_industry3,case when length(com_industry)-length(replace(com_industry,'-',''))<=2 then nullelse substring_index(com_industry,'-',-1)end as com_industry4from etl1_socom_data as a |
四、清洗效果質量檢查
4.1爬蟲數據源數據和網站數據是否相符
如果本身工作是爬蟲和數據處理在一起處理，抓取的時候其實已經判斷，此步驟可以省略，如果對接上游爬蟲同事，這一步首先判斷，不然清洗也是無用功，一般都要求爬蟲同事存儲請求的url便于后面數據處理查看數據質量
4.2計算爬蟲數據源和各etl清洗數據表數據量
注：SQL腳本中沒有經過聚合過濾 3個表數據量應相等
4.2.1、sql查詢 下面表我是在同一數據庫中 如果不在同一數據庫 from 后面應加上表所在的數據庫名稱
不推薦數據量大的時候使用
|
1
2
3
4
5
|
select count(1) from s_socom_dataunion allselect count(1) from etl1_socom_dataunion allselect count(1) from etl2_socom_data |
4.2.2 根據 kettle轉換執行完畢以后 表輸出總量對比
kettle表輸出總數據量
4.3查看etl清洗質量
確保前兩個步驟已經無誤，數據處理負責的etl清洗工作自查開始 針對數據源清洗的字段 寫腳本檢查 socom網站主要是對地區 和行業進行了清洗 對其他字段做了替換多余字段處理 ，因此采取腳本檢查，
找到page_url和網站數據進行核查
where里面這樣寫便于查看某個字段的清洗情況
|
1
2
3
|
select * from etl2_socom_data where com_district is null and length(com_industry)-length(replace(com_industry,'-',''))=3 |
http://www.socom.cn/company/7320798.html此頁面數據和etl2_socom_data表最終清洗數據對比
網站頁面數據
etl2_socom_data表數據
清洗工作完成。
以上這篇基于python爬蟲數據處理(詳解)就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持服務器之家。
