数据清洗《黑马程序员》著本人学习笔记

Posted 2021-10-20 weixin_48459732

数据清洗《黑马程序员》著本人学习笔记

如有雷同，那就是我们是一个老师教的。

数据抽取

一、CSV文件的抽取

CSV是Comma-Separated Values的缩写，即逗号分隔值。CSV文件是用逗号分隔数据字段的文件，因此也被称为逗号分隔值文件，有时会使用字符来替代逗号实现分隔，因此，也被称为字符分隔文件。CSV文件是以纯文本形式存储表格数据（数字和文本），纯文本意味着该文件是一个字符序列。CSV文件可通过Excel打开，也可以通过txt、Notepad++等文本编辑器打开，从而对文件进行查看、编辑等操作。
CSV文件是由任意数目的记录组成，记录之间以某种换行符分隔；每条记录由字段组成，字段之间的分隔符常见的有逗号或制表符。通常，整个文件中的所有记录都有完全相同的字段序列。
案例介绍
通过Kettle工具抽取CSV文件csv_extract.csv中的数据并保存至数据库extract的数据表csv中。
现有一个CSV文件csv_extract.csv，使用Excel打开的效果如下图所示

下面对如何抽取CSV文件中的数据并保存至数据库extract的数据库csv中进行讲解：
1、打开Kettle工具，创建转换
通过使用Kettle工具，创建一个转换csv_extract，并添加“CSV文件输入”控件、“表输出”控件以及Hop跳连接线，具体如图所示。

2、配置“CSV文件输入”控件
双击“CSV文件输入”控件，进入“CSV文件输入”界面。单击【浏览】按钮，选择要抽取的文件csv_extract.csv。单击【获取字段】按钮，Kettle自动检索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。

单击【预览】按钮，查看文件csv_extract.csv的数据是否抽取到CSV文件输入流中。

3、配置“表输出”控件
双击“表输出”控件，进入“表输出”控件的配置界面。

单击【新建】按钮，配置数据库（数据库创建、连接、以及表的创建步骤在最下面显示）连接，配置完成后单击【确认】按钮。

数据库配置成功后可先测试，若成功则如下图：

单击目标表右侧的【浏览】按钮，获取目标表（目标表也需要提前建好，在最下方演示），即数据表csv；勾选“指定数据库字段”的复选框。

单击“数据库字段”选项卡,再单击【输入字段映射】按钮，弹出“映射匹配”对话框,将“源字段”选项框的字段和“目标字段”选项框对应的字段进行映射匹配。

“表输出”控件配置的最终效果，具体如图所示。

单击转换工作区顶部的 运行按钮，运行创建的csv_extract转换。

4、查看目标表CSV文件的数据
通过SQLyog工具，查看数据表csv是否已成功插入100行数据。

二、JSON文件的抽取
JSON（javascript Object Notation，即JS对象标记）是一种轻量级的数据交换格式，它是基于 ECMAScript （欧洲计算机协会制定的js规范）的一个子集，从JavaScript脚本语言中演变而来的，采用完全独立于编程语言的文本格式来存储和表示数据。由于JSON有简洁、清晰的层次结构，因此使得JSON成为理想的数据交换语言。JSON易于程序开发者阅读和编写，同时也易于机器解析和生成，并有效地提升网络传输的效率。
案例介绍
通过Kettle工具抽取JSON文件json_extract.json中的数据并保存至数据库extract中的数据表json中。
现有一个JSON文件名为json_extract.json，部分内容如图所示。

1、打开kettle工具，创建转化
通过使用Kettle工具，创建一个转换json_extract，并添加“JSON input”控件（在核心对象下的“Input”中）、“表输出”控件以及Hop跳连接线，具体如图所示。
2、配置JSON Input控件

双击“JSON input”控件，进入“JSON输入”界面；单击【浏览】按钮，选择要抽取的JSON文件json_extract.json；单击【增加】按钮，将所选择的文件添加到“选中的文件和目录”处。

单击“字段”选项卡，添加要抽取的数据字段（这里采用分层抽取数据字段，先抽取id和data字段，再从data字段中抽取field和value字段）。（我遇到的问题：在字段选项卡中添加字段后预览值为空；我的解决方法：重新建立一个后缀名.js文件，将之前的JSON文件复制粘贴到.js文件中，在进行添加字段预览）

双击“JSON input 2”控件，进入“JSON输入”界面。勾选“源定义在一个字段里？”的复选框；在“从字段获取源”处的下拉框中选择字段名，即data。单击“字段”选项卡；添加从字段data中抽取的field和value字段。双击“表输出”控件，进入“表输出”配置界面。单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。

单击目标表右侧的【浏览】按钮，选择输出的目标表，即数据表json；勾选“指定数据库字段”的复选框，用于将数据表json的字段与JSON文件json_extract.json中的字段进行匹配。

单击“数据库字段”选项卡，再单击【输入字段映射】按钮，弹出“映射匹配”对话框，将“源字段”选项框的字段和“目标字段”选项框对应的字段进行映射匹配。

“表输出”控件配置的最终效果，具体如图所示。

4、查看目标表CSV文件的数据
通过SQLyog工具，查看数据表json_extract是否抽取成功

三、数据库的创建、连接以及目标表的创建
我的话是使用SQLyog工具对数据库进行创建
打开SQLyog工具,左上方文件下面有创建新连接，保存的连接自定义命名，主机地址可以写localhost或本机的IP地址，用户名root，密码安装mysql是自己所设的密码，端口号可以不变，数据库自定义。

目标表的创建
在数据库创建好后如图

右键单击创建表，输入表名，列名，数据类型以及长度

当然也可以打开mysql命令行进行数据库及目标表的创建，反正我是觉得麻烦啦。