kettle对mysql数据清洗 kettle如何清洗数据

参考《ETL数据整合与处理》--任务3.2

由于输入或其他错误，数据文件中可能出现两条或多条数据完全相同的记录，这些相同的记录称为重复记录。重复记录属于“脏数据”，会造成数据统计和分析不正确，必须清洗掉重复记录。

由于在“期考成绩.xls”文件中，发现存在序号不同，但是学号、各科考试成绩完全相同的记录，所以需要使用【去除重复记录】控件，去除这些重复的数据。

双击【排序记录】组件，对“学号”字段按照升序进行排序

 

参数名称		说明
	步骤名称	表示去除重复组件名称，在单个转换工程中，名称必须唯一。默认值是【去除重复记录】的组件名称
	增加计数器到输出	表示选择此选项时，计数器计算重复记录的条数，并将计数器字段添加至输出流中。选择后才能设置【计数器字段】参数名称。默认值为空
	计数器字段	表示对重复记录计数的计数器字段名称，【增加计数器到输出】勾选时才能设置。默认值为空
	重定向重复记录	表示选择此选项时，将重复的记录作为错误处理并将其重定向到组件的错误流。如果不选择，重复的记录将被删除。选择后才能编辑【错误描述】内容，内容是指当组件检测到重复记录时显示的错误处理描述。默认值为空
	错误描述	表示对出现重复记录现象的内容描述，【重定向重复记录】为√时才能设置。默认值为空
用来比较的字段		表示用来比较是否重复记录的字段，用来比较的字段可以有多个，用一个表来分行设置不同的字段参数，字段参数如下 字段名称：用来比较的字段，默认值为空 忽略大小写：比较字段是否区分大小写，选项有 Y 、 N ，默认值为空

执行结果：

如果勾选了如下两项：