在搭建数据仓库时,可能需要对重复的脏数据进行去重,此时可以使用 SparkSQL 算子中的 GROUP BY 进行处理。
例如:有的订单数据不小心触发了两次,一个订单有两个订单数据,这就形成脏数据,我们可以通过删除重复行功能只保留一行。如下图所示:
使用「Spark SQL」中的 GROUP BY 语法进行去重处理。
示例数据:orderlists.xlsx
进入数据开发,新建一个定时任务。
在定时任务编辑界面新增一个数据转换节点,如下图所示:
进入数据转换节点,新增DB表输入,取出需要去重的数据表,如下图所示:
2)新增Spark SQL ,使用 group by 语法对数据进行去重,如下图所示:
select `customer`,`area` ,`date` , `sales` from DB表输入group by `customer`,`area` ,`date` , `sales`
注:其中查询的数据表、字段需要根据输入提示手动选择,不能直接输入。
点击数据预览,即可查看到去重后的数据,如下图所示:
然后使用 DB 表输出将去重后的数据输出至指定数据表即可,如下图所示:
滑鼠選中內容,快速回饋問題
滑鼠選中存在疑惑的內容,即可快速回饋問題,我們將會跟進處理。
不再提示
10s後關閉
Submitted successfully
Network busy