OpenRefine 中的一个维基共享资源项目界面。图：Sandra Fauconnier，来源 Wikimedia Commons，CC BY 4.0。
OpenRefine 是一款免费开源的数据清洗工具，在本机运行、通过浏览器操作，数据留在自己电脑上。它适合整理问卷、文献题录、馆藏目录这类取值混乱的表格：用分面找出不一致，用聚类合并相似写法，用 GREL 表达式批量改写，再与 Wikidata 等外部库对接，并把操作历史导出复用。本文为资料核验，未安装实测。
项目前身为 Google Refine，源代码托管在 GitHub 的 OpenRefine/OpenRefine 仓库，许可证为 BSD-3-Clause（LICENSE.txt 中同时保留 2010 年 Google Inc. 与 OpenRefine 贡献者的版权声明）。截至本文核验，最新稳定版为 3.10.1，GitHub 发布时间为 2026 年 3 月 4 日（UTC）；发布说明称它与 2 月 26 日发布的 3.10.0 功能相同，只是 Mac 安装包完成了公证。官方提供 Windows、Mac、Linux 安装包，运行需要 Java，其中 Mac 版和 Windows 的“with Java”包已内置。程序启动后在本机以小型网页服务运行，基本功能无需联网；只有从网络导入数据、调用对接服务或向网络导出时才需要联网。
对研究者而言，OpenRefine 的主要价值在于把手工改表格变成一串可查看、可撤销、可重放的操作，日后能说清数据是怎样从原始记录变成分析用表的。下面按研究数据整理的常见环节，介绍官方文档描述的功能和使用边界。
分面筛选与聚类合并
分面是 OpenRefine 浏览数据的基本方式：对某列建立文本分面后，侧栏会列出该列所有不同取值及其行数，点选即可只看这些行，也可以反向排除。此外还有数值、时间线、散点图分面，以及重复值、空值、文本长度等定制分面，适合排查“同一机构有五种写法”“日期列混入文字”之类的问题。官方文档提醒，多数导出格式只导出当前筛选后可见的行，导出前要先确认分面状态。
发现不一致后，可以用“聚类并编辑”合并相似值。界面提供 6 种键碰撞方法（fingerprint、n-gram fingerprint 和四种语音算法）与 2 种最近邻方法（Levenshtein、PPM）。键碰撞速度快，官方称可在数秒内处理数百万个单元格；最近邻方法更慢，需要设置半径和分块参数。每组合并建议都要人工确认，只有被批准的合并才会改动数据。四种语音算法分别面向英语、德语和斯拉夫语/意第绪语名称，官方文档没有说明对中文数据的效果。
AI 生成示意图：OpenRefine“聚类并编辑”窗口的大致布局，界面文字与数据均为示意，不是真实截图。
GREL 表达式与 Wikidata 对接
需要批量改写时，可以在“转换”“基于此列添加列”或定制分面里写表达式。默认语言是 GREL（General Refine Expression Language），安装包还附带 Jython 和 Clojure。例如 value.replace(/\s+/, " ") 把连续空白合并成一个空格，value.split(" ")[1] 取空格分隔后的第二段。与电子表格公式不同，GREL 转换是一次性操作，结果直接写入单元格而不保留公式；表达式窗口会先预览前几行的结果，确认后再执行。
对接（reconciliation）是把表中名称与外部数据库的实体匹配，例如把机构名、地名或人名对应到 Wikidata 条目。安装包内置 Wikidata 对接服务，也可添加其他符合 Reconciliation Service API 的服务，如 VIAF。这一过程是半自动的：把握大的结果直接标为匹配，其余单元格列出候选项及得分，需要人工挑选；也可以用得分分面筛出高分项，再批量接受最佳候选。匹配默认基于字符串检索，拼写和空格都会影响结果，所以官方建议先清理、聚类再对接，并先用小批量试跑。匹配完成后，还能从 Wikidata 拉取更多属性补进表格。这一步需要联网调用外部服务。
操作历史的导出与复用
项目从创建起就记录每一步改动，在“撤销/重做”面板里可以回到任一历史状态；历史随项目保存，退出程序后仍在。点击“提取”可把选中的操作导出为 JSON，到另一个项目里用“应用”粘贴执行。对于格式相同的多批数据或多轮采集，这意味着同一套清洗步骤可以重复使用，JSON 也可以作为数据处理记录留档。不过并非所有操作都能提取，例如对单个单元格的手动编辑就无法重放；聚类这类需要人工判断的功能也不能无人值守地运行。另外，回退到早期状态后再做新操作，之后的历史会被清除。
数据规模与协作局限
OpenRefine 的运行依赖可用内存，默认分配 1 GB。官方把超过一百万个单元格、输入文件超过 50 MB，或记录模式下每条记录超过 50 行视为“大”数据集，建议预先调高内存上限，并在导入时关闭自动解析数字和日期；导入大文件时也可能耗尽内存、导入无法完成。协作方面，它按单用户桌面程序设计：官方 FAQ 说明它没有为多用户场景内置安全机制，数据模型不在用户之间共享，多人同时操作可能互相覆盖；如要部署给他人访问，只能自担风险并借助代理。多人分工时，可以考虑各自清洗，再交换导出的操作 JSON 或结果文件。