（超详细）全国职业院校技能大赛-GZ033大数据应用开发-离散数据处理-子任务2数据清洗_gz033 大数据应用开发赛题解析

最新推荐文章于 2024-06-15 06:34:43 发布

2401_84166327

最新推荐文章于 2024-06-15 06:34:43 发布

阅读量747

点赞数 9

分类专栏： 2024年程序员学习文章标签：大数据

本文链接：https://blog.csdn.net/2401_84166327/article/details/137806459

版权

2024年程序员学习专栏收录该内容

82 篇文章 0 订阅

订阅专栏

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注大数据）

正文

import org.apache.spark.sql.{SparkSession, functions} // 导入SparkSession和functions类
import org.apache.spark.sql.functions._ // 导入Spark SQL函数库
import org.apache.spark.sql.expressions.Window // 导入Window类用于分组排序
object extract01 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster(“local”).setAppName(“extract01”)
conf.set(“spark.sql.hive.thriftServer.async”, “true”) // 设置异步模式为true
conf.set(“hive.exec.dynamic.partition.mode”, “nonstrict”) // 设置动态分区模式为nonstrict
val spark = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
println("Hive Databases: ")
spark.sql(“show databases”).show(false)

// 获取最新的ods.user_info表数据
val ods = spark.table("ods.user_info").filter("etl_date = (select max(etl_date) from ods.user_info)")
println("最新的ods.user_info表数据如下：")
ods.show(50,truncate = false) // 打印输出ods数据
ods.createOrReplaceTempView("tmp") // 创建临时视图tmp

// 获取最新的dwd.dim_user_info表数据，并只保留id在ods中存在的记录
val dwd = spark.table("dwd.dim_user_info").filter("etl_date = (select max(etl_date) from dwd.dim_user_info) and id in (select id from tmp)")
println("最新的dwd.dim_user_info表数据如下：")
dwd.show(50) // 打印输出dwd数据
dwd.createOrReplaceTempView("dwd") // 创建临时视图dwd

// 添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四个列，用于标记数据修改信息
val ods1 = ods
  .withColumn("operate_time", when(col("operate_time").isNull, col("create_time")).otherwise(col("operate_time")))
  .withColumn("dwd_insert_user", lit("user1"))
  .withColumn("dwd_insert_time", current_timestamp())
  .withColumn("dwd_modify_user", lit("user1"))
  .withColumn("dwd_modify_time", current_timestamp())

// 将ods1和dwd中的数据合并，并根据create_time字段进行分组排序，选择每组中的第一条记录
val value = dwd.unionByName(ods1)
  .withColumn("rn", row_number().over(Window.partitionBy(col("id")).orderBy(col("operate_time").desc)))
  .filter("rn=1")
  .drop("rn")
println("两最新表合并后的value如下：")
value.show(50) // 打印输出合并后的数据

// 使用左连接将合并后的数据和dwd中的数据进行匹配，将dwd中的dwd_modify_time字段赋值给合并后数据的dwd_modify_time字段
// 如果dwd中没有对应的记录，则dwd_modify_time字段取当前时间
val frame = value.join(dwd.selectExpr("id", "dwd_modify_time as time"), Seq("id"), "outer")
  .withColumn("dwd_modify_time", when(col("time").isNotNull, date_format(current_timestamp(), "yyyy-MM-dd HH:mm:ss")).otherwise(col("dwd_modify_time")))
  .drop("time")
  .withColumn("create_time", to_timestamp(col("create_time"), "yyyy-MM-dd HH:mm:ss")) // 将字符串类型的 create_time 转换为时间戳类型

frame.show(50) // 打印输出转换后的数据
frame.createOrReplaceTempView("temp_table")
spark.sql("INSERT OVERWRITE TABLE dwd.dim_user_info PARTITION (etl_date) SELECT * FROM temp_table")

// 打印输出写入成功信息
println("dwd.dim_user_info 写入成功啦!!!")

}
}


清洗2代码如下：

import org.apache.spark.SparkConf // 导入SparkConf类
import org.apache.spark.sql.{SparkSession, functions} // 导入SparkSession和functions类
import org.apache.spark.sql.functions._ // 导入Spark SQL函数库
import org.apache.spark.sql.expressions.Window // 导入Window类用于分组排序
object extract02 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster(“local”).setAppName(“extract02”)
conf.set(“spark.sql.hive.thriftServer.async”, “true”) // 设置异步模式为true
conf.set(“hive.exec.dynamic.partition.mode”, “nonstrict”) // 设置动态分区模式为nonstrict
val spark = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
println("Hive Databases: ")
spark.sql(“show databases”).show(50,false)

// 获取最新的ods.sku_info表数据
val ods = spark.table("ods.sku_info").filter("etl_date = (select max(etl_date) from ods.sku_info)")
println("最新的ods.sku_info表数据如下：")
ods.show(50,truncate = false) // 打印输出ods数据
ods.createOrReplaceTempView("tmp") // 创建临时视图tmp

// 获取最新的dwd.dim_sku_info表数据，并只保留id在ods中存在的记录
val dwd = spark.table("dwd.dim_sku_info").filter("etl_date = (select max(etl_date) from dwd.dim_sku_info) and id in (select id from tmp)")
println("最新的dwd.dim_sku_info表数据如下：")
dwd.show(50,false) // 打印输出dwd数据
dwd.createOrReplaceTempView("dwd") // 创建临时视图dwd

// 添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四个列，用于标记数据修改信息
val ods1 = ods
  .withColumn("dwd_insert_user", lit("user1"))
  .withColumn("dwd_insert_time", current_timestamp())
  .withColumn("dwd_modify_user", lit("user1"))
  .withColumn("dwd_modify_time", current_timestamp())

// 将ods1和dwd中的数据合并，并根据create_time字段进行分组排序，选择每组中的第一条记录
val value = dwd.unionByName(ods1)
  .withColumn("rn", row_number().over(Window.partitionBy(col("id")).orderBy(col("create_time").desc)))
  .filter("rn=1")
  .drop("rn")
println("两最新表合并后的value如下：")
value.show(50,false) // 打印输出合并后的数据

// 使用左连接将合并后的数据和dwd中的数据进行匹配，将dwd中的dwd_modify_time字段赋值给合并后数据的dwd_modify_time字段
// 如果dwd中没有对应的记录，则dwd_modify_time字段取当前时间
val frame = value.join(dwd.selectExpr("id", "dwd_modify_time as time"), Seq("id"), "outer")
  .withColumn("dwd_modify_time", when(col("time").isNotNull, date_format(current_timestamp(), "yyyy-MM-dd HH:mm:ss")).otherwise(col("dwd_modify_time")))
  .drop("time")
  .withColumn("create_time", to_timestamp(col("create_time"), "yyyy-MM-dd HH:mm:ss")) // 将字符串类型的 create_time 转换为时间戳类型

frame.show(50,false) // 打印输出转换后的数据
frame.createOrReplaceTempView("temp_table")
spark.sql("INSERT OVERWRITE TABLE dwd.dim_sku_info PARTITION (etl_date) SELECT * FROM temp_table")

// 打印输出写入成功信息
println("dwd.dim_sku_info 写入成功啦!!!")

}
}


清洗3代码如下：

import org.apache.spark.SparkConf // 导入SparkConf类
import org.apache.spark.sql.{SparkSession, functions} // 导入SparkSession和functions类
import org.apache.spark.sql.functions._ // 导入Spark SQL函数库
import org.apache.spark.sql.expressions.Window // 导入Window类用于分组排序
object extract03 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster(“local”).setAppName(“extract03”)
conf.set(“spark.sql.hive.thriftServer.async”, “true”) // 设置异步模式为true
conf.set(“hive.exec.dynamic.partition.mode”, “nonstrict”) // 设置动态分区模式为nonstrict
val spark = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
println("Hive Databases: ")
spark.sql(“show databases”).show(false)

// 获取最新的ods.base_province表数据
val ods = spark.table("ods.base_province").filter("etl_date = (select max(etl_date) from ods.base_province)")
println("最新的ods.base_province表数据如下：")
ods.show(50,truncate = false) // 打印输出ods数据
ods.createOrReplaceTempView("tmp") // 创建临时视图tmp

// 获取最新的dwd.dim_province表数据，并只保留id在ods中存在的记录
val dwd = spark.table("dwd.dim_province").filter("etl_date = (select max(etl_date) from dwd.dim_province) and id in (select id from tmp)")
println("最新的dwd.dim_province表数据如下：")
dwd.show(50,false) // 打印输出dwd数据
dwd.createOrReplaceTempView("dwd") // 创建临时视图dwd

// 添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四个列，用于标记数据修改信息
val ods1 = ods
  .withColumn("dwd_insert_user", lit("user1"))
  .withColumn("dwd_insert_time", current_timestamp())
  .withColumn("dwd_modify_user", lit("user1"))
  .withColumn("dwd_modify_time", current_timestamp())

// 将ods1和dwd中的数据合并，并根据create_time字段进行分组排序，选择每组中的第一条记录
val value = dwd.unionByName(ods1)
  .withColumn("rn", row_number().over(Window.partitionBy(col("id")).orderBy(col("create_time").desc)))
  .filter("rn=1")
  .drop("rn")
println("两最新表合并后的value如下：")
value.show(50,false) // 打印输出合并后的数据

// 使用左连接将合并后的数据和dwd中的数据进行匹配，将dwd中的dwd_modify_time字段赋值给合并后数据的dwd_modify_time字段
// 如果dwd中没有对应的记录，则dwd_modify_time字段取当前时间
val frame = value.join(dwd.selectExpr("id", "dwd_modify_time as time"), Seq("id"), "outer")
  .withColumn("dwd_modify_time", when(col("time").isNotNull, date_format(current_timestamp(), "yyyy-MM-dd HH:mm:ss")).otherwise(col("dwd_modify_time")))
  .drop("time")
  .withColumn("create_time", to_timestamp(col("create_time"), "yyyy-MM-dd HH:mm:ss")) // 将字符串类型的 create_time 转换为时间戳类型

frame.show(50,false) // 打印输出转换后的数据
frame.createOrReplaceTempView("temp_table")
spark.sql("INSERT OVERWRITE TABLE dwd.dim_province PARTITION (etl_date) SELECT * FROM temp_table")

// 打印输出写入成功信息
println("dwd.dim_province 写入成功啦!!!")

}
}


清洗4代码如下：

import org.apache.spark.SparkConf // 导入SparkConf类
import org.apache.spark.sql.{SparkSession, functions} // 导入SparkSession和functions类
import org.apache.spark.sql.functions._ // 导入Spark SQL函数库
import org.apache.spark.sql.expressions.Window // 导入Window类用于分组排序
object extract04 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster(“local”).setAppName(“extract04”)
conf.set(“spark.sql.hive.thriftServer.async”, “true”) // 设置异步模式为true
conf.set(“hive.exec.dynamic.partition.mode”, “nonstrict”) // 设置动态分区模式为nonstrict
val spark = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
println("Hive Databases: ")
spark.sql(“show databases”).show(false)

// 获取最新的ods.base_region表数据
val ods = spark.table("ods.base_region").filter("etl_date = (select max(etl_date) from ods.base_region)")
println("最新的ods.base_region表数据如下：")
ods.show(50,truncate = false) // 打印输出ods数据
ods.createOrReplaceTempView("tmp") // 创建临时视图tmp

// 获取最新的dwd.dim_region表数据，并只保留id在ods中存在的记录
val dwd = spark.table("dwd.dim_region").filter("etl_date = (select max(etl_date) from dwd.dim_region) and id in (select id from tmp)")
println("最新的dwd.dim_region表数据如下：")
dwd.show(50) // 打印输出dwd数据
dwd.createOrReplaceTempView("dwd") // 创建临时视图dwd

// 添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四个列，用于标记数据修改信息
val ods1 = ods
  .withColumn("dwd_insert_user", lit("user1"))
  .withColumn("dwd_insert_time", current_timestamp())
  .withColumn("dwd_modify_user", lit("user1"))
  .withColumn("dwd_modify_time", current_timestamp())

// 将ods1和dwd中的数据合并，并根据create_time字段进行分组排序，选择每组中的第一条记录
val value = dwd.unionByName(ods1)
  .withColumn("rn", row_number().over(Window.partitionBy(col("id")).orderBy(col("create_time").desc)))
  .filter("rn=1")
  .drop("rn")
println("两最新表合并后的value如下：")
value.show(50) // 打印输出合并后的数据

// 使用左连接将合并后的数据和dwd中的数据进行匹配，将dwd中的dwd_modify_time字段赋值给合并后数据的dwd_modify_time字段
// 如果dwd中没有对应的记录，则dwd_modify_time字段取当前时间
val frame = value.join(dwd.selectExpr("id", "dwd_modify_time as time"), Seq("id"), "outer")
  .withColumn("dwd_modify_time", when(col("time").isNotNull, date_format(current_timestamp(), "yyyy-MM-dd HH:mm:ss")).otherwise(col("dwd_modify_time")))
  .drop("time")
  .withColumn("create_time", to_timestamp(col("create_time"), "yyyy-MM-dd HH:mm:ss")) // 将字符串类型的 create_time 转换为时间戳类型

frame.show(50) // 打印输出转换后的数据
frame.createOrReplaceTempView("temp_table")
spark.sql("INSERT OVERWRITE TABLE dwd.dim_region PARTITION (etl_date) SELECT * FROM temp_table")

// 打印输出写入成功信息
println("dwd.dim_region 写入成功啦!!!")

}
}


清洗5代码如下：



**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）**
![img](https://img-blog.csdnimg.cn/img_convert/2c079cfba8c32549d4d5fa01b6b362d1.png)

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**


清洗5代码如下：



**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）**
[外链图片转存中...(img-216CxEBt-1713223403163)]

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

2401_84166327

关注

9
点赞
踩
30

收藏

觉得还不错? 一键收藏
0
评论
（超详细）全国职业院校技能大赛-GZ033大数据应用开发-离散数据处理-子任务2数据清洗_gz033 大数据应用开发赛题解析

conf.set(“hive.exec.dynamic.partition.mode”, “nonstrict”) // 设置动态分区模式为nonstrict。conf.set(“hive.exec.dynamic.partition.mode”, “nonstrict”) // 设置动态分区模式为nonstrict。conf.set(“hive.exec.dynamic.partition.mode”, “nonstrict”) // 设置动态分区模式为nonstrict。
复制链接

扫一扫