JavaScript网页爬虫及数据清洗，通常包含以下步骤：
-
数据获取: 利用
axios或node-fetch等HTTP库获取网页HTML内容。 -
HTML解析: 使用
cheerio库解析HTML，方便操作DOM元素，或直接使用浏览器内置的DOMParser。 - 数据提取: 通过CSS选择器或XPath表达式精准定位并提取目标数据。
- 数据清洗: 去除多余空格、换行符，转换数据类型（例如字符串转数字），处理缺失值或异常值等。
- 数据存储: 将清洗后的数据存储到数据库（例如MongoDB、SQLite）或导出为JSON、CSV等格式。
以下示例演示使用axios和cheerio爬取网页数据并进行清洗：
const axios = require('axios');
const cheerio = require('cheerio');
axios.get('https://example.com')
.then(response => {
const html = response.data;
const $ = cheerio.load(html);
const extractedData = [];
$('.item').each((i, el) => { // 假设目标数据在.item类选择器下
const title = $(el).find('h2.title').text().trim();
let price = $(el).find('span.price').text().trim();
price = parseFloat(price.replace(/[$,]/g, '')); // 清洗价格，去除'$'和','
if (title && !isNaN(price)) { // 数据校验
extractedData.push({ title, price });
}
});
// 进一步清洗，例如过滤价格低于100的产品
const cleanedData = extractedData.filter(item => item.price >= 100);
console.log(cleanedData);
})
.catch(error => {
console.error('数据获取失败:', error);
});
此示例中，我们先获取网页数据，再用cheerio解析，提取标题和价格。 价格数据经过清洗，去除货币符号和逗号，并转换为数字。最后，过滤价格低于100的数据，输出清洗后的结果。 实际应用中，清洗步骤需根据具体网站结构和数据特点调整。 请注意，爬取数据时需遵守网站robots.txt规则，避免对网站造成负担。
