主要功能描述(实现的内容):
数据去重指的是找到数据文件集合中重复的数据并将其删除,只保存唯一的数据单元,从而消除冗余数据。数据去重包括完全去重和不完全去重。完全去重指的是消除完全重复的数据,完全重复的数据指的是数据表记录字段值完全一样的数据。不完全去重指的是在数据清洗中,所有字段值都相等的重复值是一定要剔除的。
一、完全去重:
1.数据准备与查看数据
2.在Kettle新建转换,添加“CSV文件输入”控件和“唯一行(哈希值)”控件以及Hop跳连线
3.配置“CSV文件输入”控件
(2).点击“浏览”按钮,选择要进行完全去重处理的CSV数据merge.csv
(3)、 单击“获取字段”按钮,Kettle会自行检索CSV文件。并对文件中的字段类型、格式、长度、精度等属性进行分析
(4).单击“浏览”按钮,查看CSV文件marge.csv的数据是否加载到CSV文件输入流中
4.配置“唯一行(哈希值)”控件
(1).点击“唯一行(哈希值)”控件,进入“唯一值(哈希值)”控件界面
3.运行转换
4、查看数据
二、不完全去重:
1.数据准备与查看数据
(2)在Kettle新建转换,添加“文本文件输入”控件和“唯一值(哈希值)”控件以及Hop跳连线
(1).双击“文本文件输入”控件,进入“文本文件输入”控件界面
(2)单击“浏览”按钮,选择要去重的文件people.text
(3)单击“增加”按钮,将要去重的文件people.text添加到转换中
(4) 单击“内容”选项卡,切换到“内容”选项卡界面
(5)清除分隔符处的默认分隔符“;”,单击Insert TAB按钮,在分隔符处插入一个制表符;取消头部复选框
(6)单击“字段”选项卡,切换到“字段”选项卡界面
(7)根据文件people.text的内容添加字段名称,并指定数据类型,在“去除空字符串方式”列时,所添加的字段都应该选择“不去掉空格”
(8)单击“浏览记录”按钮,查看people.text的数据是否成功抽取到文本文件输入流中
4、配置“唯一行(哈希值)”控件
(1)、双击“唯一行(哈希值)”控件,进入“唯一行(哈希值)”界面
(2)“用来比较的字段”处添加要比较去重的字段,然后点击确定
5、运行转换
6.查看数据