如何拆分网页爬取CSV的嵌套字段导入Stata保存为.dta格式

你导入的CSV中v22、v23字段是爬虫未做结构化解析的JSON格式字符串，Stata 14及以上版本无需安装第三方包即可完成字段提取，具体操作如下： #

提取creator字段（v22）的独立id、name列 #

先确认v22单元格内容为标准JSON结构（格式类似{"id":123456,"name":"创作者昵称",...其他冗余字段}），根据你的Stata版本选对应代码运行即可：

• 适配Stata 14及以上所有版本（正则匹配写法，无版本依赖）

* 提取创作者数字id
gen creator_id = ustrregexs(1) if ustrregexm(v22, `"id":([0-9]+)"')
destring creator_id, replace
* 提取创作者名称，自动兼容带转义字符的文本
gen creator_name = ustrregexs(1) if ustrregexm(v22, `"name":"([^"\\]*(\\.[^"\\]*)*)"')

• 适配Stata 16及以上版本（官方JSON解析函数写法，容错率更高，不会受字段顺序、特殊字符干扰）

gen creator_id = json_extract_string(v22, "$.id")
destring creator_id, replace
gen creator_name = json_extract_string(v22, "$.name")

提取位置字段（v23）的独立name、state、short_name列 #

提取逻辑和creator字段完全一致：

• 适配Stata 14及以上所有版本

gen location_name = ustrregexs(1) if ustrregexm(v23, `"name":"([^"\\]*(\\.[^"\\]*)*)"')
gen location_state = ustrregexs(1) if ustrregexm(v23, `"state":"([^"\\]*(\\.[^"\\]*)*)"')
gen location_short_name = ustrregexs(1) if ustrregexm(v23, `"short_name":"([^"\\]*(\\.[^"\\]*)*)"')

• 适配Stata 16及以上版本

gen location_name = json_extract_string(v23, "$.name")
gen location_state = json_extract_string(v23, "$.state")
gen location_short_name = json_extract_string(v23, "$.short_name")

操作注意事项 #

• 运行提取代码前先备份原始数据集，避免误操作覆盖原始字段
• 若提取后部分行结果为空，先抽查对应行的原始字段内容，大概率是原始数据本身存在字段缺失（比如部分众筹项目未填写位置所属州信息），不属于代码报错
• 若字段内包含大量转义引号、特殊符号，优先使用高版本的官方JSON解析函数，正则写法在极端特殊字符场景下可能出现匹配偏差
• 所有字段提取校验完成后，直接运行save 自定义数据集名称.dta, replace即可导出为标准.dta格式文件

内容的提问来源于stack exchange，提问作者Juno Oh