1、预处理
数据的预处理操作涉及到：一是数据的码制转换，常见的码制有GBK、UTF-8、UNICODE;二是繁简转化，尤其是港台的一些文字;三是html内容文本提取，从互联网采集的数据通常为HTML格式，需要将HTML中可以显示的文本内容提取出来，作为指定字段的内容;四是表情符的处理、字段的拆分与合并等操作等都是在数据预处理环节做的操作。
2、归一化
数据的归一化包含不同信源数据的字段归一化、特征归一化、时间归一化、地名归一化。首先，字段归一化是指将不同爬虫采集到的同一字段整合，比如不同爬虫采下来的作者字段，命名可能不同，有的可能叫发布者，有的可能叫作者，如果需要把数据整合到一起分析，首先需要把字段命名做归一。其次，时间归一化是指，比如表达时间，文本可能是某年某月某日的形式，也可能是2019/12/20的形式，也可能是几天前、几小时前，时间归一化要做的就是将这些时间的表达统一成一种表达形式，这样才可以做后续的数据分析和统计。
3、数据清洗
对数据采集过程中产生的噪音数据进行清洗，噪音可能是字段的部分内容，也可能是整条数据，比如做电商评论数据处理的时候，需要清洗掉字符数小于5的无效数据或者默认好评的灌水数据或者水军发布的数据，这一操作需要根据具体的需求及数据质量去确定。
4、去除重复数据
数据存在重复是很常见的现象，但造成数据重复的原因是多种多样的，对于数据重复通常需要针对性处理，所以需要一个判断重复的标准。比较简单的就是所有都一模一样的判定为重复，这个也是比较好处理的，复杂的数据判重需要一个或多个字段联合，当字段为文本类型时，通常需要引入CRC或MD5算法产生新的判重字段。
温馨提示：
