复杂网页表格采集：合并单元格、多级表头与分页导出
网页上一眼能看懂的表格，保存成数组后可能已经错位：第二行没有地区单元格，因为它被上一行合并；表头分两层，而“销售额”上方还有年份；破折号表示缺失，不能自动当零。 本文提供两页完整表格材料，先展开合并单元格，再建立稳定列名，最后换算单位并导出 CSV。它适合需要理解解析过程的数据开发者，不把所有表格直接丢给一个函数后忽略
Blog
标签：数据清洗
当前标签共有 3 篇文章。
多站点商品数据合并：统一名称、规格与来源记录
两个网站都卖“经典红茶”，不代表它们卖的是同一个规格。一个页面写 500 g，另一个写两盒各 250 g；即使净含量一样，包装、库存和价格也未必能够直接比较。 本文面向已经拥有多个采集器结果的数据开发者。我们接收两份结构不同的 JSON，把名称、规格和报价整理成统一格式，再用明确的商品标识合并来源。最终输出三类数据：能
多语言网页采集：从中文乱码到正确的 CSV 导出
中文页面出现乱码时，首先要判断损坏发生在哪里：响应字节被错误解码、正确文本被二次转码，还是 CSV 被表格软件按错误编码打开。把所有地方都改成 UTF8，可能只是把同一份乱码重新保存了一遍。 本文面向已经能下载网页、但需要处理中文与混合编码来源的 Python 开发者。我们先用两份内容相同、编码不同的页面材料建立可解释