(大)数据处理：从txt到MySql的数据预处理迁徙

Python 2.7
IDE Pycharm 5.0.3
MySQL 5.7
MySQL Workbench 6.3

前言

学长毕业刚好在整大数据，从数据堂花了大价钱买的一个月的北京出租车GPS数据，一天大概11G，一个月就是350G左右，而且数据全部存在txt中，根本无法进行分析处理，而且重复数据非常多，这就需要把txt写到数据库中在进行操作了，于是，我尝试了自己的python。。。。。

猜一下数据

在没有拿到数据前，这是我从一篇博士论文上看到的数据样式：

ok，看起来应该很简单的样子，所以我模拟了一下前几行数据，当然，虽然那么几行，但是我也懒得敲在txt上啊，所以我机智的想到了图像识别pytesser模块，刚好在以前做验证码识别的时候用到过，所以直接拿来用咯，如何使用pytesser请看Python+Selenium+PIL+Tesseract真正自动识别验证码进行一键登录

准备食材

第一步，先把图像切割下，然后保存在工程路径下，就像这样

然后，识别图中的数字并打印！

import pytesser
code= pytesser.image_file_to_string("C:\Users\MrLevo\Desktop\cardata.jpg")#code即为识别出的图片数字str类型
print code

当然，理想很丰满，现实太骨感，识别出个这么个玩意！

4S9309,4,1.20110701164753,11612693863,39,928S698,Z7,346,1
154s5s,4,1,20110701084818,115.5092316,39.7901344,15,58,1
49213s,4,1,20110701034811115 3o91025,4o.0215s27,2,2s4,0
035834,4,1,20l10701084811116 3768692,39.986Z785,l9,96,1
05s14e,4,0,201 107010343111 1614244843,39.8958397.48,352,1

哎，还是识别率太低了，所以没办法，手动复制再修改不一样的吧，大多数还是识别出来的。

最后就改成这样的

到这里总算把原料准备好了，这才开始正题！

臆想采集

靠着自己臆想出来的原料数据txt，把他写到sql中应该并不是很难，直接来。
至于怎么对用python写入数据库，请看Python+MySQL用户加密存储验证系统（进阶） 和 Python与MySQL联动实例一两则

贴上核心代码

# -*- coding: utf-8 -*-
#Author:哈士奇说喵
import pymysql

#初始化数据库子函数
def Init():
    #创建数据库
    try:
        cur.execute('create database carnet')#创建名为professors数据库
        cur.execute('use carnet')#切到该数据库
        cur.execute('create TABLE store(id BIGINT(10) NOT NULL AUTO_INCREMENT,car VARCHAR(100),trigger_events VARCHAR(100),operation_state VARCHAR(100),times VARCHAR(100),longitude VARCHAR(100),latitude VARCHAR(100),speed VARCHAR(100),direction_angle VARCHAR(100),GPS_state VARCHAR(100),created TIMESTAMP DEFAULT CURRENT_TIMESTAMP ,PRIMARY KEY(id))')
        print '-------------------------------Create Database Succeed-------------------------------'
    except:
        #print 'database existed'
        cur.execute('use carnet')#切到该数据库



#数据库的存储子函数
def store(a,b,c,d,e,f,g,h,i):
    cur.execute("insert into store(car,trigger_events,operation_state,times,longitude,latitude,speed,direction_angle,GPS_state) VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s)",(a,b,c,d,e,f,g,h,i))

    cur.connection.commit()#commit()提交事物，做出改变后必须提交事务，不然不能更新


def readTxt():
    f = open("txt2sql.txt","r")
    while True:

        line = f.readline() #没有足够内存一次读取整个文件的时候要用readline，每次读一行
        if line:
            #print line
            content = line.split(",") #以逗号为分隔符
            store(content[0],content[1],content[2],content[3],content[4],content[5],content[6],content[7],content[8])
        else:
            break
    f.close()

def Main():

    Init()
    readTxt()

#程序入口
if __name__ == '__main__':

    try:
        conn = pymysql.connect(host = '127.0.0.1',user='root',passwd='A089363b',db='mysql',charset='utf8')
        #与数据库建立连接
        cur = conn.cursor()
        #实例化光标
        print "-------------------------------SQL Connection Succeed-------------------------------"

    except:
        print "Warning!SQL Connection Failed!"

    Main()

    try:
        cur.close()
        conn.close()
        print "-------------------------------SQL Connection Closed-------------------------------"
        print "-------------------------------Over-------------------------------"
    except:
        print "Warning!Can't Close Connection!"

最后实现效果如下，比较圆满，因为格式我看的很清楚，结合数据清洗，一下子就出来了。

真实的数据

满心欢喜的以为和博士论文中的格式一样，直接套上就行，结果，你给我看这个？？？

因为，我的电脑，根本打不开那么大的txt！！！！这特么就尴尬了，，，，所以先让学弟把文件分片（我的天，11G的一个txt，他分成4200多个txt，额）。

分析解决

从上面的图可以看出，数据那么连续，而且杂乱无章，实在没办法，我用其他的编辑器打开（Notepad++打开）

ok，好看多了，那么分析一下，数据之间有多个空格，而且不限个数，最后用了换行符来变成下一行数据，根据数据清洗的思想，我先把换行符改成空格，然后把多个空格替换为一个空格，最后用split对空格进行拆分，没错，应该就是这样。

实现代码，先对data0.txt数据进行测试分析（分片之一），限制mysql的显示行数为无限制，一个2.8MB的数据，我想也跑不出花的

# -*- coding: utf-8 -*-
#Author:哈士奇说喵
import pymysql
import re

#初始化数据库子函数
def Init():
    #创建数据库
    try:
        cur.execute('create database carnet')#创建名为professors数据库
        cur.execute('use carnet')#切到该数据库
        cur.execute('create TABLE store(id BIGINT(10) NOT NULL AUTO_INCREMENT,car VARCHAR(100),trigger_events VARCHAR(100),operation_state VARCHAR(100),times VARCHAR(100),longitude VARCHAR(100),latitude VARCHAR(100),speed VARCHAR(100),direction_angle VARCHAR(100),GPS_state VARCHAR(100),G10 VARCHAR(100),G11 VARCHAR(100),G12 VARCHAR(100),G13 VARCHAR(100),created TIMESTAMP DEFAULT CURRENT_TIMESTAMP ,PRIMARY KEY(id))')
        print '-------------------------------Create Database Succeed-------------------------------'
    except:
        #print 'database existed'
        cur.execute('use carnet')#切到该数据库



#数据库的存储子函数
def store(a,b,c,d,e,f,g,h,i,j,k,l,m):
    cur.execute("insert into store(car,trigger_events,operation_state,times,longitude,latitude,speed,direction_angle,GPS_state,G10,G11,G12,G13) VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)",(a,b,c,d,e,f,g,h,i,j,k,l,m))

    cur.connection.commit()#commit()提交事物，做出改变后必须提交事务，不然不能更新


def readTxt():
    f = open("C:\Users\MrLevo\Desktop\data0.txt","r")
    #f = open("H:\\20151208.txt","r")
    while True:
        line = f.readline()
        if line:          
            line = re.sub(' +'," ",line) #把多个空格替换成一个空格
            line = re.sub('\t',' ',line)#制表符也替换成空格
            content = line.split(" ")
            store(content[0],content[1],content[2],content[3],content[4],content[5],content[6],content[7],content[8],content[9],content[10],content[11],content[12].decode('utf-8'))
#content[12].decode('utf-8')因为第13个分割后的是中文字符，需要解码一下
        else:
            print 'txt2sql succeed!'
            break
    f.close()

def Main():

    Init()
    readTxt()

#程序入口
if __name__ == '__main__':

    try:
        conn = pymysql.connect(host = '127.0.0.1',user='root',passwd='A089363b',db='mysql',charset='utf8')
        #与数据库建立连接
        cur = conn.cursor()
        #实例化光标
        print "-------------------------------SQL Connection Succeed-------------------------------"

    except:
        print "Warning!SQL Connection Failed!"

    Main()

    try:
        cur.close()
        conn.close()
        print "-------------------------------SQL Connection Closed-------------------------------"
        print "-------------------------------Over-------------------------------"
    except:
        print "Warning!Can't Close Connection!"

之后大概过了三分钟，结束程序，采集到16905个数据，和txt中对应，成功。

挑战一下

既然能读分片后的数据，那么我尝试读一下11G的原始数据，吧sql显示行数控制在5W行，运行大概十五分钟停止。

瞎扯

推测一下，11G原始数据我电脑需要不停跑3.6天才能写完到数据库中，这才是数据写入而已啊，哎，还是用hadoop来做吧，不然真的会死人的，这才一天的GPS数据，要是一个月，一年，，，，，所以大数据的发展是必然趋势，我这里只是做一下测试，也算是真正对原始数据进行了一下简单的操作。

致谢

Python网络数据采集[Ryan Mitchell著][人民邮电出版社]
@MrLevo520–Python+MySQL用户加密存储验证系统（进阶）
@MrLevo520–Python与MySQL联动实例一两则
@MrLevo520–Python+Selenium+PIL+Tesseract真正自动识别验证码进行一键登录