《数据清洗》综合案例3

8.3.7 加载演员数据至演员维度表

1.打开Kettle工具，创建转换

使用Kettle工具，创建一个转换load_dim_actor，并添加表输入控件、插入/更新控件以及Hop跳连接线，具体如图所示：

2.配置表输入控件

双击“表输入”控件，进入“表输入”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。MySQL数据库连接的配置，如图所示：

在SQL框中编写SQL语句，用于获取字段actor_last_update中的最大值，将该值替换为”1970-01-01 00:00:00”并赋值给临时字段max_dim_actor_last_update；单击“预览”按钮，查看临时字段max_dim_actor_last_update是否将默认值设置为“1970-01-01 00:00:00”，如图所示：

SELECT 
COALESCE(MAX(actor_last_update),"1970-01-01 00:00:00")
AS max_dim_actor_last_update
FROM dim_actor;

3.配置表输入2控件 

双击“表输入2”控件，进入“表输入”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。MySQL数据库连接的配置如图所示。

 

在SQL框中编写SQL语句，用于获取数据库sakila中数据表actor中的最新数据，如图所示。

4.配置插入/更新控件

双击“插入/更新”控件，进入“插入/更新”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，弹出“数据库浏览器”窗口，选择目标表，即维度表dim_actor。

 单击【获取字段】按钮，用来指定查询数据所需要的关键字，这里选择的是dim_actor数据表中的actor_id字段和输入流里面的actor_id字段；单击【获取和更新字段】按钮，用来指定需要更新的字段，如图所示。

5.运行转换load_dim_actor

单击转换工作区顶部的   按钮，运行创建的转换load_dim_actor，实现加载演员数据至演员维度表dim_actor中，如图所示。 

6.查看数据表dim_actor中的数据

通过SQLyog工具，查看数据表dim_actor是否已成功插入演员数据，查看结果，如图所示。

8.3.8加载电影数据至电影维度表

1.打开Kettle工具，创建转换

使用Kettle工具，创建一个转换load_dim_film，并添加表输入控件、数据库查询控件、值映射控件、列拆分为多行控件、增加常量控件、列转行控件、计算器控件、数据库连接控件、联合查询/更新控件、分组控件、流查询控件、插入/更新控件以及Hop跳连接线，如图所示：

 

2.配置表输入控件

双击“表输入”控件，进入“表输入”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。MySQL数据库连接的配置，如图所示。

 在SQL框中编写SQL语句，用于获取字段film_last_update中的最大值，将该值替换为”1970-01-01 00:00:00”并赋值给临时字段max_dim_film_last_update；单击“预览”按钮，查看临时字段max_dim_film_last_update是否将默认值设置为“1970-01-01 00:00:00”，如图所示：

select
coalesce(max(film_last_update),"2021-11-11 00:00:00")
as max_dim_film_last_update
from dim_film;

3.配置表输入2控件

双击“表输入2”控件，进入“表输入”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。MySQL数据库连接的配置如图所示。

在SQL框中编写SQL语句，用于获取sakila数据库中film数据表中的最新数据，如图所示。 

JavaScript代码具体如下：

select
film_id,
title,
description,
CAST(release_year AS UNSIGNED)AS release_year,
language_id,
original_language_id
rental_duration,
rental_rate,
length,
replacement_cost,
rating,
special_features,
last_update
from film where last_update > ?

4.配置数据库查询控件

双击“数据库查询”控件，进入“数据库查询”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。单击表名处的【浏览】按钮，添加数据表language，用于查询电影的语言，在“查询所需的关键字”框中，添加查询所需的关键字字段language_id，用于指定表字段和流字段的比较条件；在“查询表返回的值”框中，添加查询表返回的字段name，并重命名为language，如图所示：

 

5.配置数据库查询2控件

双击“数据库查询2”控件，进入“数据库查询”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。单击表名处的【浏览】按钮，添加数据表language，用于查询电影原版的语言，在“查询所需的关键字”框中，添加查询所需的关键字字段language_id，用于指定表字段和流字段的比较条件；在“查询表返回的值”框中，添加查询表返回字段name并重命名为original_language，并对于电影原版语言为Null值，则可设置默认值为Not Application，如图所示：

 

6.配置值映射控件

双击“值映射”控件，进入“值映射”界面，在“使用的字段名”处的下拉框选择字段rating，指定对电影级别的字段rating进行映射；在“目标字段名”处添加rating_text字段，用于存储目标值；在“字段值”框中，添加源值和目标值，其中，源值为G（大众级，所有年龄的观众均可观看）、PG（普通级，建议在父母的陪伴下观看）、PG-13（普通级，但不适于13岁以下儿童，需要父母陪同观看）、R（限制级，17岁以下必须由父母或者监护陪伴才能观看）、NC-17（禁止17岁或者以下观众观看），这些均为美国电影分级级别的简称，对应的全称目标值为General Audiences、Parental Guidance Suggested、Parents Strongly Cautioned、Restricted、No One Under 17 Admitted，值映射控件的配置，具体如图所示：

 

7.配置列拆分为多行控件

双击 “列拆分为多行”控件，进入“列拆分为多行”界面，由于special_features字段表示的是电影的特点，而电影的特点有多个，因此要进行拆分；在“要拆分的字段”处的下拉框选择要拆分的字段special_features；在“分隔符”处指定分隔符；在“新字段名”框中，添加新的字段名，用于存放利用分隔符分割后得数据，如图所示：

 

8.配置增加常量控件

双击“增加常量”控件，进入“增加常量”配置界面，在字段框中添加常量字段Yes和No，并指定值为yes和no，用于后续判断某电影是否有预告片、是否有评论、是否删减片段以及是否有幕后等内容，有则用yes标识，反之用no标识。“增加常量”控件的配置，如图所示：

 

9.配置列转行控件

双击“列转行”控件，进入“列转行”界面，在“关键字段”处的下拉框中选择关键字段special_feature，由于字段special_feature中包含一个或多个内容，因此需要对字段special_feature进行列转行操作；在“构成分组的字段”框中添加分组字段；在“目标字段框”中添加目标字段，如图所示：

10.配置计算器控件

双击“计算器”控件，进入“计算器”界面，在“字段”处，添加新字段，用于存储将列转行控件流中的字段special_feature字段的NULL值替换成No的数据，如图所示：

 

11.配置数据库连接控件

双击“数据库连接”控件，进入“Database join”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。在SQL框中编写SQL语句，用于根据电影id获取电影的分类；在“The parameters to use”框中，添加编写SQL语句需要的参数，即film_id，计算器控件流中的字段film_id作为参数进行传递，供数据库连接控件使用如图所示：

SQL语句如下：

select category_id
from film_category
where film_id = ?

 

12.配置数据库查询3控件

双击“数据库查询3”控件，进入“数据库查询”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。单击表名处的【浏览】按钮，添加数据表category，用于获取电影分类的id；在“查询所需的关键字”框中，添加查询所需的关键字字段category_id，用于指定表字段和流字段的比较条件；在“查询表返回的值”框中，添加查询表返回的值，即name，并重命名为category，如图所示：

 

13.配置增加常量2控件

双击“增加常量2”控件，进入“增加常量”界面，在字段框中添加常量字段Yes，由于在“增加常量”控件中设置的常量Yes已经被替换，所以需要添加一个常量，具体如图所示：

 14.配置列转行2控件

双击“列转行2”控件，进入“列转行”界面，在“关键字段”处的下拉框中选择关键字段category，根据电影分类的名称对电影进行分类；在“构成分组的字段”框中添加分组字段，在“目标字段框”中添加目标字段，如图所示；

 15.配置计算器2控件

双击“计算器2”控件，进入“计算器”界面，在“字段”处，添加新字段，用于将列转行2控件流中字段category中的NULL值替换成No，如图所示：

 16.配置联合查询/更新控件

双击“联合查询/更新”控件，进入“联合查询/更新”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，选择目标表，即维度表dim_film，用于加载最新的电影维度数据，并在“代理关键字”框中添加代理关键字段，并指定创建代理键为自增字段，在“关键字段”框中添加维度字段和流里的字段，如图所示：

 17.配置数据库连接2控件

双击“数据库连接2”控件，进入“Database join”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。在SQL框中编写SQL语句，用于根据电影id获取演员的id，从而获取演员的基本信息；在“The parameters to use”框中，添加需要的参数，即film_id，如图所示：

SQL代码如下： 

select actor_id
from film_actor
where film_id = ?

 

 18.配置数据库查询4控件

双击“数据库查询4”控件，进入“数据库查询”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。单击表名处的【浏览】按钮，添加数据表dim_actor，用于获取演员的基本信息；在“查询所需的关键字”框中，添加查询所需的关键字字段actor_id，用于指定表字段和流字段的比较条件；在“查询表返回的值”框中，添加查询表返回的值，如图所示：

19.配置分组控件

双击“分组”控件，进入“分组”界面，在“构成分组的字段”框中添加分组字段film_key，对“数据库查询4”控件流中的数据按字段film_key进行分组；在“聚合”框中添加聚合字段count_actors，用于统计出演某部电影的演员个数，分组控件的配置如图所示：

20.配置计算器3控件 

双击“计算器3”控件，进入“计算器”界面，在“字段”处，添加新字段one和actor_weighting_factor，其中字段one为自定义的常量，指定值为1，是一个临时值，可移除；字段actor_weighting_factor用于存储演员的权重因子，如图所示：

 21.配置流查询控件

双击“流查询”控件，进入“流里的值查询”界面，在“Lookup step”处的下拉框选择要查询的流，即计算器3控件流；在“查询值所需的关键字”处，添加用于查询流里值的字段，即film_key，通过使用数据库查询4控件中的字段film_key去计算器3控件流中匹配相应的数据；在“指定用来接收的字段”框中，添加用来接收值的字段actor_weighting_factor，最终输出，流查询控件的配置，如图所示：

  22.配置插入/更新控件

双击“插入/更新”控件，进入“插入/更新”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，弹出“数据库浏览器”窗口，选择目标表，即维度表dim_film_actor_bridge；单击【获取字段】按钮，用来指定查询数据所需要的关键字；单击【获取和更新字段】按钮，用来指定需要更新的字段。插入/更新控件用于通过比较流与表中字段得数据，更新维度表dim_film_actor_bridge表中数据。插入/更新控件的配置如图所示：

 23.运行转换load_dim_film

单击转换工作区顶部的按钮，运行创建的转换load_dim_film，实现加载电影数据至电影维度表dim_film，如图所示：

 24.查看数据表dim_film和数据表dim_film_actor_bridge中的数据

通过SQLyog工具，查看数据表dim_film和数据表dim_film_actor_bridge是否已成功插入数据，查看结果如图所示：