刷完数据清洗工具大全，我还是把脏活交给了 WorkBuddy

今天刷到一份数据清洗 AI 工具大全，里面从 OpenRefine 到 databonsai 再到 Hexomatic，牌子挺全，功能描述看着也都挺美。但我一边翻，脑子里只有一个实际问题：谁来帮我把客户上周五下午丢过来的那批表先收了。那种临时性、不定期、格式混乱的文件流，才是我们这种干活的真正痛点。

我这边最麻烦的一个场景是客户对账。对方隔三差五甩过来一个压缩包，里面是 CSV、Excel，偶尔还有几页 PDF 截图，命名是「新建文档(3)」这种风格。以前我拿到手要先解压、再逐个打开看格式、然后手动清洗、再导进数据库。一套走下来基本一小时起，关键是不成规律，脚本写了两个月不跑一次，等真要用的时候依赖库都过期了。大概两周前我试着把这个流程整个丢给 WorkBuddy，配完之后那批文件再也没经我手。

具体是这么搭的。打开 WorkBuddy 客户端，新建一个自动化流程。入口在界面上和「新建对话」挨着，别点错了。流程第一步选触发条件，我选了「收到文件时」，然后挑文件来源。因为我这边客户习惯用微信传文件，所以触发源直接绑的微信文件夹，WorkBuddy 会监听指定目录下的新文件。你可以按自己的习惯选「邮箱附件」或者「某个共享文件夹」，都在同一个触发条件菜单里。

第二步是配置解析规则，这是最关键的一步，也是大部分人口中「不够智能」的部分。WorkBuddy 的文件识别节点会让你选文件类型，我这边选的是「表格文件」和「PDF 混合」，然后它会问你期望输出什么，我选了「合并为一个汇总表」。你最好在节点下面的「示例文件」里上传一份真实的文件，让它先自动学习一下字段结构。我第一次没传示例，直接交给它去识别，结果它把客户表头的「金额」跟「应收金额」识别成了两列。传了示例之后它就记住这两个其实是一回事了。

然后是清洗规则。这个节点里有一排开关，比如「去除重复行」「统一日期格式」「填充缺失值」，我按实际需求只开了前两个。

日期格式那块要注意，公司系统导出来是 `2026/08/13`，客户那边送过来是 `2026-8-13`，不统一的话导进数据库会乱，把「统一日期格式」打开并选成 `YYYY-MM-DD` 就行。这里有个坑，节点的预览功能只能看到前 20 行，看起来一切正常不代表后面几百行没问题。所以我在下游加了一个「数据概览」节点，让它把清洗后的总行数和重复率打印出来，这个不花多少时间，但能挡住不少问题。

权限和协作这块我也吃了教训。刚开始我把流程设成「所有群成员可触发」，结果有同事往那个微信群里丢了个截图文件，流程触发了一次，解析半天全部报错，还把日志刷了一屏。后来我在工作流的「触发权限」里改成只允许指定的人和特定的文件名前缀（比如 `对账_` 开头），其他文件一律不响应。改完世界干净了。文件接收的文件夹也按项目分了一下，A 客户和 B 客户各一个目录，互不干扰，导出的汇总表也各自落在项目文件夹里，不会串。

日常运维其实不复杂，每周花一分钟看一眼运行记录就够。WorkBuddy 后台会存每次触发的日志，跑成功和报错都有标记。我一般每周一早上过一遍，上周跑挂了的记录点开看一眼原因，多半是文件名格式又变了或者某个表新增了一列。这类小变动直接在工作流里改规则就行，不用重搭整个流程。有一点要注意，别什么都往里塞，一次只让它干一件事。我之前试过让同一个流程顺便生成周报和发邮件，结果单个文件处理时间翻倍，还容易在中间一步卡住。拆成两个流程之后反而稳了。

我的环境是微信接收文件加 WorkBuddy 自动处理，最终输出一个标准化的 Excel 表发到我的工作邮箱。不一定适用所有场景，但操作逻辑是相通的。那个数据清洗工具大全里列的方案各有各的优势，可对一个 996 的普通数据分析师来说，省掉从拿到文件到能用数据之间的所有手动步骤，这才是工具真正的价值。你要是有类似的乱文件要处理，先去 WorkBuddy 里找一个「文件触发」的入口，传一张最脏的表格进去跑一遍，跑通之后你会回来感谢自己当初没选那堆要单独部署的库。