Spark RDD进行艺术家数据集清洗

本文介绍如何使用Spark进行艺术家数据清洗。首先,处理artist_data.txt文件,通过Spark transformation解决ID与名字的分割问题,过滤异常数据并获取指定ID的艺术家名字。接着,处理artist_alias.txt文件,创建映射关系,修正拼写错误和非标准ID,并过滤掉无主ID的行。最后,从seeds.csv中筛选area字段大于15的记录,转换为RDD。
摘要由CSDN通过智能技术生成

1 artist_data.txt 文件中包含艺术家的ID 和名字,它们用制表符“\t”分割,但是尝试简单的把文件解析成二元组(Int, String) 会出错,用spark transformation 算子简单处理数据,过滤掉会产生异常的数据,返回元组(Int, String),并在结果RDD 中查找到ID 为2093760艺术家的名字。

原始数据的模样

这里写图片描述

关键代码

val conf = new SparkConf().setMaster("local[4]").setAppName("work01") //设置APP 的name,设置Local 模式的CPU资源
    val sc = new SparkContext(conf)
    val root = work01.getClass.getResource("/")
    val rdd = sc.textFile(root + "artist_data.txt")
    //rdd getClass返回class org.apache.spark.rdd.MapPartitionsRDD
    //    map函数会对每一条输入进行指定的操作,然后为每一条输入返回一个对象;而flatMap函数则是返回所有对象的集合,而且它摒弃了那些值
  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值