先写一行数据代表的对象
从活动通知中提取信息时,一行可以代表一场活动;从产品说明中提取时,一行可以代表一个产品或一个规格。不要在同一张表里混用层级。先确定唯一标识和字段清单,再给工具两三条示例,让它理解哪些内容属于同一行,以及什么时候应该新增一行。
字段定义比列名更重要
“时间”可以指发布时间、开始时间或截止时间;“地址”可以是网址或街道位置。为每一列补充含义、格式和缺失规则。多值字段要提前决定是拆成多行、另建关联表还是使用受控分隔方式。不能让模型每次按不同习惯输出,否则后续筛选和统计会变得困难。
如果一个活动有多个场次,可以为活动设置稳定编号,再将每个场次拆成单独记录并引用该编号。这样既能按活动汇总,也能按开始时间筛选。把所有场次塞进一个长文本单元格,通常会让后续排序和去重更困难。
CSV中的特殊字符要正确处理
字段本身包含逗号、引号或换行时,需要遵循CSV的转义规则,不能简单把文本按逗号拼接。中文文件还要检查字符编码是否与导入工具匹配。可以先用三条包含特殊字符的记录试导入,看列是否错位、换行是否保留,再处理全部资料。
提取与推断应分开保存
原文明确写出的值与根据上下文推测的值,不应混在同一列而没有标记。可以增加来源位置、提取状态和待确认说明。找不到某字段时留空或使用约定的缺失标记,不要写一个看似合理的默认值。对日期和金额这类关键字段,抽样回到原文逐条对照。
导入后检查行数与唯一性
对比输入记录数、输出行数和被跳过的项目,检查是否发生重复或遗漏。保留原始材料与生成版本,后续修订时按唯一标识更新,而不是每次整表覆盖。交付时附字段说明,别人即使没有参与提取过程,也能理解空值、多值和来源列的含义。
资料来源
以下来源用于核对概念和操作条件。产品界面与政策可能变化,请结合当前官方说明使用。