5.1 数据去重 不完全去重

数据清洗过程中，所有字段值都相等的重复值是一定要剔除的。根据不同的业务场景，有时还需要选取其中若干字段进行去重操作。

通过Kettle工具，将文件people.txt中不完全重复的数据进行去重处理。

现在有一份用户访问网站的数据文件people.txt，内容如图所示。

通过使用Kettle工具，创建一个转换repeat_transform，并添加“CSV文件输入”控件、“唯一行（哈希值）”控件以及Hop跳连接线，具体如图所示。

单击“字段”选项卡；根据文件people.txt的内容添加对应的字段名称，并指定数据类型。

单击“内容”选项卡；清除分隔符处的默认分隔符“；”，并单击【Insert TAB】按钮，在分隔符处插入一个制表符；取消勾选“头部”复选框。

单击【预览记录】按钮，查看文件people.txt的数据是否成功抽取到文本文件输入流中。

 

 

选中“唯一行（哈希值）”控件，单击执行结果窗口的“Preview data”选项卡，查看是否消除文件people.txt中不完全重复的数据。

 

 至此，我们完成了不完全的去重。