Python Code :不同Json文件的数据挖掘、清洗、反写
来源:互联网 发布:安全使用网络手抄报 编辑:程序博客网 时间:2024/05/11 21:38
从Python爬虫爬下来的网页数据,是一堆乱码(Json格式),如何在这一对乱码中找到自己想要的数据,或者说,如何在多个文件中整合出自己想要的新的内容,然后用一个Excel表格来表示呢?
本博客通过记录一个实际问题的解决,阐述相关代码。
问题:
1、从网页上爬取下的Json格式文件包含商品名字、价格,准确找到该两项目,通过csv表格完成一个数据可视化、
2、假设网页上数据小部分有更新,重新爬取到Json格式文件;
3、挖掘出哪些变动;
4、两者规则不一样的情况下再次做数据可视化、并且和前一次做一个对比;
5、重要信息(新价格)的数据清洗、覆盖。
Json文件层次:
data_deal文件下有data文件夹和Js文件夹:其中data放置旧信息;Js放置新信息;
data文件夹下面有Comb文件(对应旧的名字、价格);Prop文件(对应商品的系列号);
一、代码思路流程图:
二、代码解释:
# -*- coding: utf-8 -*-import numpyimport jsonimport csvimport osimport os.pathimport shutilimport sysimport csvreload(sys)sys.setdefaultencoding( "utf-8" )count_the_right_file=0dets=[]sum_prop=0sum_comp=0num_prop=0num_comp=0wrong_files=[]
其次:定义了一些相关的列表:wrong_file用于存放数据发生改动的data文件夹中的json文件名;
def getDirList(p): p=str(p) if p=="": return [] if p[-1]!="/": p=p+"/" a=os.listdir(p) return a js_file_names=[]js_file_names=getDirList("/home/suanyi3/data_deal/js")
这一步就是做一个文件夹路径下所有文件名的整理,该操作之后,js_file_names这个列表就会按顺序存放/home/suanyi3/data_deal/js文件下的所有文件名;
for file in range(len(js_file_names)): js_file_addr="/home/suanyi3/data_deal/js/"+js_file_names[file] compare1=[] compare2=[]te=0 de=0#########################################<<>>########################################## try: with open(js_file_addr) as f: data=json.load(f) #print data #print data["a"]["bn"] for i in range(len(data["f"])): compare1.append(data["f"][i]["be"]) compare1.append(data["f"][i]["bh"]) #print compare1 file_index=(data["a"]["bn"]) file_index=file_index.split('_') print file_index bomb_addr="/home/suanyi3/data_deal/data/comb/"+ file_index[0] + ".js" prop_addr="/home/suanyi3/data_deal/data/prop/"+ file_index[0] + ".js" except IndexError: pass##########################################<<>>###################################try: with open(prop_addr) as ff: prop_data=json.load(ff) except IOError,IndexError: passif(data["a"]["j"]==prop_data["KEY_SERIES"]["SeriesFullName"]): de=1 else: de=0sum_prop=sum_prop+denum_prop=num_prop+1 print count_the_right_file###########################################<<>>################################## try: with open(bomb_addr) as ff: com_data=json.load(ff) for i in range(len(com_data)): compare2.append(com_data[i]["CombName"]) compare2.append(com_data[i]["Price"]) #print compare2 except IOError,IndexError: pass
这一步很关键:
首先解释一下为什么要用try--except结构:因为如果不用,读取文件夹如果不存在的话就很尴尬了,会报错
其次解释一下我发现的挖掘数据的规则:js文件下的字典“a”键下面的子键“bn”存放有Comb文件和Prop文件中文件的名字,秩序要做一个split把“_”下划线分开就是对应的文件名字;比如:
我们再去Comb文件夹寻找233.js这个文件:
两者的系列号、价格、名字是对应的→然而我为什么说是对应的?对应着什么?
我们来看:
这面有另外一个规则:js文件夹下面的"f"键下面的“be”、“bh”键分别对应Comb文件下面的CombName、CombPrice(旧数据名字、价格)如下所示:
if(len(compare2)>=len(compare1)):length=len(compare1)mis_length=len(compare2)tell=compare2else:length=len(compare2)mis_length=len(compare1)tell=compare1 for j in range(length): count=[] if(compare1[j]==compare2[j]): count.append(1) else: count.append(0)# if(count==len(compare2)-1):# print "rightrightrightright!!!"# te=1#else:# te=0 for j in range(0,length,2): if(compare1[j+1]!=compare2[j+1]): te=te+1 else: te=te+0 body=(js_file_names[file],file_index,data["a"]["j"],prop_data["KEY_SERIES"]["SeriesFullName"],de,com_data[0]["CombName"],compare1[j],compare1[j+1],compare2[j],compare2[j+1],bool(compare1[j+1]==compare2[j+1]),bool(compare1[j]==compare2[j])) dets.append(body)if((mis_length-length)>0): for i in range(length,(mis_length-length),2): body=(js_file_names[file],file_index,data["a"]["j"],prop_data["KEY_SERIES"]["SeriesFullName"],de,com_data[0]["CombName"],tell[i],tell[i+1],"missssssss","misssssssss",0) dets.append(body) dets.append(body)
这段代码主要是做在对于compre1、compare2列表下的价格进行比对,长度不一样的话,用mis_length来表示长,用length表示短者;
然后进行比较,如果一一对应,te=0恒成立;
如果又不一样的话我们马上把te+1使之大于0;
紧接着作如下操作:
if (te>=1 and de==1): wrong_files.append(bomb_addr)
很简单:我们用dets表来储存所有的要整理的参数(新旧价格名字系列号de、te)用wrong_files来存储不对应的文件名字;
#######################################<<>>##############################################headers=["Js_File","prop_File","New_Series_Name","Old_Series_Name","The_Same?","ID","compare1_CombNames","compare1_Price","compare2_CombNames","compare2_Price","All_The_Same?"]with open('temp4.csv','w') as fff:fff_csv=csv.writer(fff)fff_csv.writerow(headers)fff_csv.writerows(dets)
########################################<<>>##########################################print wrong_files print len(wrong_files) def moveFileto(sourceDir,targetDir):shutil.copy(sourceDir,targetDir)targetDir="/home/suanyi3/data_deal/ooo/"for wrong_file in wrong_files:moveFileto(wrong_file,targetDir)
通过它,我们可以复制需要变动的Comb文件夹下面的文件Copy到我们的targetDir路径下;如下图完成复制:
我们可以看到,并不是所有复制过来,而是有了变动的价格对应的js文件我们才把他拿过来,这一部工作成功完成!!
三、后续工作:
接下来是我们的后续工作,我们要把真实的数据反写回去,另外开一个test.py脚本,重新写些代码:
reload(sys)sys.setdefaultencoding( "utf-8" )
def store(measurement,addr):new_js="/home/suanyi3/data_deal/oo/"+addr+".json"with open(new_js,'w') as f:jsonStr=json.dumps(measurement,ensure_ascii=False)f.write(jsonStr)
多加一个函数:def store(measurement,addr):
看完后面的 代码你会发现:这个函数是这整个Python脚本的关键,他可以在json文件夹中特定位置写进字典里面对应的值;
而其他的代码也大同小异:
def getDirList(p): p=str(p) if p=="": return [] if p[-1]!="/": p=p+"/" a=os.listdir(p) return adef store(measurement,addr):new_js="/home/suanyi3/data_deal/oo/"+addr+".json"with open(new_js,'w') as f:jsonStr=json.dumps(measurement,ensure_ascii=False)f.write(jsonStr)js_file_names=[]js_file_names=getDirList("/home/suanyi3/data_deal/js")#print js_file_namesfor file in range(len(js_file_names)): js_file_addr="/home/suanyi3/data_deal/js/"+js_file_names[file] compare1=[] compare2=[]te=0 de=0#########################################<<>>########################################## try: with open(js_file_addr) as f: data=json.load(f) for i in range(len(data["f"])): compare1.append(data["f"][i]["be"]) compare1.append(data["f"][i]["bh"]) #print compare1 file_index=(data["a"]["bn"]) file_index=file_index.split('_') print file_index ooo_addr="/home/suanyi3/data_deal/ooo/"+ file_index[0] + ".js"except IndexError: pass#########################################<< >>#####################################try: with open(ooo_addr) as ff: ooo_data=json.load(ff)for i in range(min(len(ooo_data),len(data["f"]))):ooo_data[i]["CombName"]=data["f"][i]["be"]ooo_data[i]["Price"]=data["f"][i]["bh"]print ooo_data[i]["CombName"],ooo_data[i]["Price"]store(ooo_data,file_index[0]) except IOError,IndexError: pass
以上代码、思路为作者一行行亲手编写,解决:不同Json文件的数据挖掘、清洗、反写;数据量:百万级;时间:4~5s;也乐于跟大家分享,按着这个步骤往下是可以完成属于你自己的工程项目的。当然,我也允许你的懒惰,如果需要源代码,请在下面留下你的邮箱地址。
0 0
- Python Code :不同Json文件的数据挖掘、清洗、反写
- 数据挖掘中常用的数据清洗方法
- 数据挖掘中常用的数据清洗方法有哪些?
- 【Python】写文件的不同方式
- 不同数据类型的清洗
- 数据挖掘-数据预处理-数据清洗
- python数据清洗
- python 爬虫数据清洗
- python-数据清洗
- Python开发数据清洗
- python数据清洗步骤
- 数据挖掘:数据清洗、转换和消减
- 数据挖掘而之数据清洗
- 数据挖掘中的数据清洗方法大全
- 数据挖掘中的数据清洗方法大全
- python数据分析与挖掘学习笔记(2)-淘宝商品数据清洗及预处理
- python-从文件读取json数据写到数据库
- Python--使用json.dumps 将 json 格式的数据写到文件里--with open as f
- 关于wamp下http://localhost地址The requested URL / was not found on this server.问题解决过程分享
- 微信时代的预约-乐享其约的会议室预约
- Vue初体验(四),关于事件v-on
- [PAT-乙级]1002.写出这个数
- 单件模式
- Python Code :不同Json文件的数据挖掘、清洗、反写
- 软件开发常用英语词汇
- FFT算法1-倒位排序法的实现
- webpack入门学习4-browser(浏览器自动运行)
- 打造自己的RecyclerView(二)之下拉刷新和上拉加载更多
- docker学习笔记
- Jmeter接口测试+压力测试
- 【数据结构】中的选择(SelectSort)排序
- string简单实现