恭喜你！在學會了如何使用 n8n 打造自動化爬蟲之後，你已經成功地從 PTT、Dcard 或其他新聞網站上，抓取到了寶貴的原始 HTML 資料，並透過 HTML Extract 節點，提取出了文章的標題、作者與日期。但當你興奮地將這些資料寫入 Google Sheets 或發送到 Slack 時，卻發現結果長得像這樣：
- 標題：
\n\t\t\t\t\t\t\t[好雷] 沙丘2：完美的電子遊戲改編\n\t\t\t\t\t\t - 作者：
\n aabbcc (優文產生器)\n - 日期：
9/07
這些夾雜著大量空白 ()、換行符 (\n)、定位符 (\t) 的「髒數據 (Dirty Data)」，不僅看起來礙眼，更會對你後續的自動化流程造成毀滅性的打擊。你無法根據這種格式的日期進行排序，也無法用這種格式的標題進行精準的關鍵字比對。
這，就是每一位爬蟲開發者都必須面對的第一道、也是最重要的一道關卡：「資料清洗 (Data Cleaning)」。而 n8n 中負責這項任務的最佳利器，正是我們的好朋友——Set 節點。
這篇文章將是你的 n8n 爬蟲資料清洗入門實戰指南。我們將聚焦在最常見的文字清理任務上，一步步教你如何活用 Set 節點與其中強大的 Expressions (表達式)，精準地去除掉所有多餘的空白、換行符與無用的前後綴文字，讓你的爬蟲數據，從粗糙的原礦，蛻變為可供分析利用的閃亮黃金。
為什麼爬蟲資料「一定」需要清洗？認識髒數據的隱形殺傷力
許多 n8n 新手在成功抓取到資料後，就急著將其直接應用，卻忽略了資料清洗的重要性。未經清洗的髒數據，至少會帶來三大問題：
- 數據庫與報表汙染： 將
\n aabbcc \n這樣的資料直接存入你的資料庫或 Google Sheets，會導致你的數據庫充滿無用的字元，不僅佔用空間，更讓後續的數據分析與篩選變得極度困難。 - 自動化邏輯判斷失準： 如果你想用
IF節點判斷作者是否為aabbcc，但抓到的資料卻是aabbcc(前後有空白)，那麼你的條件判斷{{ $json.author == 'aabbcc' }}將會回傳false，導致流程走向非預期的分支。 - 前端顯示與通知錯亂： 將一個包含大量換行符的標題，直接發送到 Slack 或 Email，會導致訊息的排版完全跑掉，看起來既不專業，也難以閱讀。
因此，在 HTML Extract 節點之後，立刻接上一個 Set 節點來進行資料清洗，應該成為你建構任何爬蟲工作流的標準作業流程。
清洗第一式：trim() – 輕鬆去除頭尾多餘的空白
這是最基本，也最常用到的清洗技巧。當你抓到的資料，僅僅是前後被多餘的空白字元包圍時（例如：9/07），trim() 函式就是你的最佳解方。
- 目標： 將欄位
date的值從9/07清理成9/07。 - 解決方案： 在
Set節點中，修改date欄位（或新增一個cleaned_date欄位）。- Name:
date - Value (使用 Expression):JavaScript
{{ $json.date.trim() }}
- Name:
- 解說：
.trim()是 JavaScript 中一個內建的字串方法，它會自動刪除一個字串頭部和尾部的所有空白字元，但會保留字串中間的空白。對於清理像日期、數字、ID 這類單純的欄位，它非常有效。
清洗第二式：replace() 與正規表示式 – 徹底剷除所有空白與換行符
trim() 只能處理頭尾，但如果你的資料像 PTT 抓來的標題一樣，中間夾雜著大量的換行符 (\n) 和定位符 (\t) 呢？這時，我們需要動用更強大的武器：replace() 函式搭配「正規表示式 (Regular Expression)」。
- 目標： 將欄位
title的值從\n\t\t [好雷] 沙丘2 \n\t清理成[好雷] 沙丘2。 - 解決方案： 在
Set節點中，修改title欄位。- Name:
title - Value (使用 Expression):JavaScript
{{ $json.title.replace(/\s+/g, ' ').trim() }}
- Name:
- 解說：
replace(/\s+/g, ' '): 這是這段語法的核心。/\s+/g是一個正規表示式。\s代表任何空白字元（包含空格、換行符\n、定位符\t等），+代表一個或多個，g代表全域尋找與取代。整句話的意思是：「找到這個字串中，所有連續出現的空白字元區塊」。- 第二個參數
' '代表，將找到的那些區塊，全部用一個單一的空格取代。
.trim(): 在完成內部的大掃除後，我們再用.trim()來處理可能還殘留在頭尾的單一空格，確保最終結果的完美。
清洗第三式：精準取代 – 刪除固定的前綴或後綴文字
爬取論壇或特定網站時，我們常常會抓到一些我們不想要的、固定的樣板文字，例如 PTT 作者欄位的「作者:」或看板名稱。
- 目標： 將欄位
author_info的值從作者: aabbcc (優文產生器)清理成aabbcc (優文產生器)。 - 解決方案： 這次我們只需要使用
replace()函式，並指定要移除的固定文字即可。- Name:
author_info - Value (使用 Expression):JavaScript
{{ $json.author_info.replace('作者: ', '') }}
- Name:
- 解說： 這個表達式非常直觀：「找到
作者:這段固定的文字，並將它用''(空字串) 取代」，也就是直接刪除的意思。
完整實戰演練：將 PTT 爬蟲的原始資料清洗乾淨
現在，讓我們將以上所有技巧，應用到我們先前建立的「每日 PTT 電影版情報」爬蟲工作流中。
流程設計： ... -> HTML Extract -> Set (Data Cleaning) -> Google Sheets
假設 HTML Extract 節點輸出的原始資料 ($json) 長這樣：
JSON
{
"title": "\n\t\t\t\t [好雷] 芙莉歐莎：瘋狂麥斯傳奇篇章\n\t\t\t ",
"author": " aabbcc (優文產生器) ",
"date": " 5/22 "
}
我們新增一個名為「Data Cleaning」的 Set 節點，並在裡面建立三條規則：
- 清洗 title:
- Name:
title - Value:
{{ $json.title.replace(/\s+/g, ' ').trim() }}
- Name:
- 清洗 author:
- Name:
author - Value:
{{ $json.author.trim() }}
- Name:
- 清洗 date:
- Name:
date - Value:
{{ $json.date.trim() }}
- Name:
經過這個 Set 節點後，輸出的資料就會變成極度乾淨的結構化數據：
JSON
{
"title": "[好雷] 芙莉歐莎：瘋狂麥斯傳奇篇章",
"author": "aabbcc (優文產生-產生器)",
"date": "5/22"
}
現在，再將這份乾淨的資料送往 Google Sheets 或任何後續的流程，就再也不會出錯了！
結語
資料清洗是爬蟲自動化流程中，最重要、也最能體現專業度的環節。它就像是烹飪前處理食材的過程，唯有先將食材（原始數據）清洗乾淨、去除雜質，你才能在後續的烹調（資料應用）中，發揮出它真正的美味。
n8n 的 Set 節點，搭配靈活的 JavaScript Expressions，為我們提供了一個無比強大的視覺化資料清洗工作台。今天我們學會的三大核心技巧——trim()、replace() 與正規表示式——已經足以讓你應對 90% 以上的文字清理場景。
請養成良好的習慣，在每一個爬蟲的 HTML Extract 節點之後，都加上一個專門負責「清洗」的 Set 節點。這個小小的動作，將會讓你的自動化流程變得無比穩定與可靠，也讓你產出的數據，真正地具備了商業價值。
更多精選文章請參考
n8n 與 Zapier 比較：該選哪個？2025年最完整功能、費用、優缺點分析
開源自動化工具推薦：從工作流程到測試，找到最適合你的免費方案
n8n 發送 Email 超詳細教學：從 SMTP 設定到 Gmail 節點串接，一篇搞定！
n8n Notion 串接終極指南：2025 年打造自動化工作流程，效率翻倍！
