Spark处理过程-案例数据清洗

++++什么是数据清洗？++++

数据清洗是指在数据分析或处理之前，对原始数据进行预处理，以消除错误、不一致、重复或缺失的数据，从而提高数据的质量和可用性。数据清洗是数据科学和数据分析中至关重要的一步，因为低质量的数据会导致错误的结论和决策。

假设你有一个包含用户信息的文本文件，每行格式为 姓名,年龄,性别，需要清洗掉年龄为空或者非数字的行 。

以下是 10 条符合上述示例中数据格式（姓名,年龄,性别）的测试数据，包含了一些可能需要清洗掉的无效数据，你可以将其保存为一个文本文件，用于测试上面的数据清洗程序。

【++++教师展示要清洗的数据，请同学们观察，并回答应该要清洗掉哪些数据？++++ 】

张三,25,男

李四,,女

王五,30,男

赵六,a,女

孙七,35,男

周八,40,女

吴九,abc,男

郑十,45,女

王十,50,男

李二,55,女

这里面:"李四" 的年龄为空，"赵六" 和 "吴九" 的年龄不是有效的数字，在执行数据清洗程序时，这些行应该会被过滤掉。

---

实现这个问题的思路是什么？

1. 读入文件
2. 对每一行数据进行分析
   1. 字段拆分，拆分出年龄这个字段
   2. 判断
      • 如果它不是数字或者缺失，则忽略这条数据

• 否则保存

1. 如何读入txt文件？
2. 如何拆分出一行中的年龄？
3. 如何使用过滤算子（filter）？
4. 如何判断是否是整数？

---

1. 读入txt文件。 val lines = sc.textFile(inputFile)
2. 对拆分出一行中的年龄。val fields = line.split(",") fields(0)
3. 过滤算子中，函数返回为false，就会被过滤掉，函数返回为true，就会被保留下来。
4. 使用正则表达式。/\d/

---

// 1.读入文件
// 2.开始过滤，对每一行数据进行分析
// (1)字段拆分，拆分出年龄这个字段
// (2)判断
//    ①如果它不是数字或者缺失，则忽略这条数据
// ②否则保存
  // 3.保存过滤之后的文件
import org.apache.spark.{SparkConf, SparkContext}
object DataCleaning {
  def main(args: Array[String]): Unit = {
    // 创建 SparkConf 对象
    val conf = new SparkConf().setAppName("DataCleaning").setMaster("local[*]")
    // 创建 SparkContext 对象
    val sc = new SparkContext(conf)
 
    // 读取文本文件，创建 RDD
    val inputFile = "input/file.txt"
    val lines = sc.textFile(inputFile)
 
    // 数据清洗操作
    val cleanedLines = lines.filter(line => { // 使用filter算子
      val fields = line.split(",")
      if (fields.length == 3) {
        val age = fields(1).trim
        age.matches("\\d+")
      } else {
        false
      }
    })
      // 输出清洗后的数据
       cleanedLines.collect().foreach(println)
 
    // 停止 SparkContext
    sc.stop()
  }
} 

---

这里介绍一个拓展点：如何把清洗之后的数据保存到一个文件中。

可以使用coalesce(1)这个方法可以让结果全部保存在一个文件中

val singlePartitionRDD = cleanedLines.coalesce(1)
    // 保存清洗后的数据到文件
    val outputPath = "path/to/your/output/file.txt"
    singlePartitionRDD.saveAsTextFile(outputPath)
    // 停止 SparkContext
    sc.stop()