数据清洗简介

（一）ETL介绍
  “ETL，是英文Extract-Transform-Load的缩写，用来描述将数据从来源端经过抽取（Extract）、转换（Transform）、加载（Load）至目的端的过程。ETL一词较常用在数据仓库，但其对象并不限于数据仓库。

  在Transform的过程中，我们经常会做数据清洗这个操作。它是指对采集到的原始数据进行预处理，以去除错误、重复、不完整或不一致的数据，使数据符合分析要求的过程。它在整个数据分析和数据处理流程中处于非常重要的位置，因为数据质量的好坏直接影响到后续分析结果的准确性和可靠性。

  清理的过程往往只需要运行Mapper程序，不需要运行Reduce程序。

（二）需求分析
我们有去除日志中字段个数小于等于11的日志。

（1）输入数据

（2）期望输出数据：每行字段长度都大于11。

需要在Map阶段对输入的数据根据规则进行过滤清洗，并不需要进行汇总。

（三）思路分析
  map阶段：按行读入内容，对内容进行检查，如果字段的个数少于等于11，就删除这条日志（不保留）去除日志中字段个数小于等于11的日志内容。

  对于map函数来说，它的输入参数是：<偏移量，第一行的内容>

  <偏移量，每一行的内容> → <刷选后的没一行的内容，null>

  对于reduce函数来说，它的输入参数是：<刷选后的每一行的内容，[null,null,...]>，对于我们的需求来说，并不需要这个阶段。
————————————————

                            版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                        
原文链接：https://blog.youkuaiyun.com/2301_81748087/article/details/146948727