CN109241040B - 数据清洗的方法和装置 - Google Patents
数据清洗的方法和装置 Download PDFInfo
- Publication number
- CN109241040B CN109241040B CN201710555814.5A CN201710555814A CN109241040B CN 109241040 B CN109241040 B CN 109241040B CN 201710555814 A CN201710555814 A CN 201710555814A CN 109241040 B CN109241040 B CN 109241040B
- Authority
- CN
- China
- Prior art keywords
- data
- cleaning
- subfiles
- cleaned
- memory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了数据清洗的方法和装置,涉及计算机技术技术领域。该方法的一具体实施方式包括:利用内存映射的方式将源文件切割为多个子文件;将子文件的内容读取到内存中,对子文件进行处理后发送至消息中间件平台进行数据清洗。该实施方式避免在读取数据的过程中出现内存溢出,提高了程序的可用性;同时,缩短了数据清洗的处理时间,提高了数据清洗的效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据清洗的方法和装置。
背景技术
数据清洗是指对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。一般来说,数据清洗是一个反复的过程,利用有关技术如数理统计、数据挖掘或预定义的清理规则将数据转化为满足数据要求的数据的过程。
如图1所示,现有的数据清洗技术直接利用同步输入/输出(I/O)流逐行读取文件的数据内容,对读取的数据处理后判断数据的内容是否合规(即进行数据清洗),如果数据的内容合规,则写入目标文件;否则,重新读取该文件的数据内容。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
对于数据量较小的文件,直接使用同步I/O流读取就可以处理了,但是对于数据量较大的文件,在读取数据的过程中容易造成内存溢出,导致数据清洗失败,程序可用性低;
同时,对于数据量较大的文件,读写数据的过程耗时时间长,效率极低。
发明内容
有鉴于此,本发明实施例提供一种数据清洗的方法和装置,能够避免在读取数据的过程中出现内存溢出,提高了程序的可用性;同时,缩短了数据清洗的处理时间,提高了数据清洗的效率。
为实现上述目的,根据本发明实施例的一个方面,提供了一种数据清洗的方法。
本发明实施例的一种数据清洗的方法包括:利用内存映射的方式将源文件切割为多个子文件;将所述子文件的内容读取到内存中;对所述子文件进行处理后发送至消息中间件平台进行数据清洗。
可选地,对所述子文件进行处理包括:在所述子文件的第一行数据和最后一行数据中添加标识,并分别存储至缓存系统,通过定时任务对已添加标识的所述第一行数据和所述最后一行数据分别进行数据整合以得到第一待清洗数据;以及将所述子文件的其它数据封装成第二待清洗数据。
可选地,发送至消息中间件平台进行数据清洗包括:将所述第一待清洗数据和所述第二待清洗数据经所述消息中间件平台的生产端分配至所述消息中间件平台的消费端进行数据清洗;将符合清洗规则的数据写入目标文件;以及将不符合清洗规则的数据记录到日志文件。
可选地,所述方法还包括:将所述目标文件封装成清洗结果发送至数据仓库或数据集市。
可选地,将源文件切割为多个子文件包括:将所述源文件根据切割规则切割为多个所述子文件。
可选地,将所述子文件的内容读取到内存中包括:利用非阻塞输入/输出流将所述子文件的内容读取到内存中。
为实现上述目的,根据本发明实施例的另一方面,提供了一种数据清洗的装置。
本发明实施例的一种数据清洗的装置包括:切割模块,用于利用内存映射的方式将源文件切割为多个子文件;读取模块,用于将所述子文件的内容读取到内存中;处理模块,用于对所述子文件进行处理后发送至消息中间件平台进行数据清洗。
可选地,所述处理模块还用于:在所述子文件的第一行数据和最后一行数据中添加标识,并分别存储至缓存系统,通过定时任务对已添加标识的所述第一行数据和所述最后一行数据分别进行数据整合以得到第一待清洗数据;以及将所述子文件的其它数据封装成第二待清洗数据。
可选地,所述处理模块进一步用于:将所述第一待清洗数据和所述第二待清洗数据经所述消息中间件平台的生产端分配至所述消息中间件平台的消费端进行数据清洗;将符合清洗规则的数据写入目标文件;以及将不符合清洗规则的数据记录到日志文件。
可选地,所述装置还包括:发送模块,用于将所述目标文件封装成清洗结果发送至数据仓库或数据集市。
可选地,所述切割模块还用于:将所述源文件根据切割规则切割为多个所述子文件。
可选地,所述读取模块还用于:利用非阻塞输入/输出流将所述子文件的内容读取到内存中。
为实现上述目的,根据本发明实施例的再一方面,提供了一种数据清洗的电子设备。
本发明实施例的一种数据清洗的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的数据清洗的方法。
为实现上述目的,根据本发明实施例的又一方面,提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的数据清洗的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用对数据先拆分再清洗的技术手段,利用内存映射方式将源文件切割为多个子文件;将子文件的内容读取到内存中,对子文件进行处理后发送至消息中间件平台进行数据清洗,所以克服了现有技术在读取数据的过程中因为内存溢出,导致数据清洗失败,程序可用性低,且数据量较大的文件读写数据的过程耗时时间长,效率极低的技术问题,进而达到避免在读取数据的过程中出现内存溢出,提高了程序的可用性,同时,缩短了数据清洗的处理时间,提高了数据清洗的效率的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是现有技术中数据清洗的方法的实现框架示意图;
图2是根据本发明实施例的数据清洗的方法的主要流程的示意图;
图3是根据本发明实施例的数据清洗的方法的实现流程示意图;
图4是根据本发明实施例的数据清洗的方法的切割源文件的示意图;
图5是根据本发明实施例的数据清洗的方法的处理子文件的示意图;
图6是根据本发明实施例的数据清洗的方法的清洗流程示意图一;
图7是根据本发明实施例的数据清洗的方法的清洗流程示意图二;
图8是根据本发明实施例的数据清洗的装置的主要模块的示意图;
图9是本发明实施例可以应用于其中的示例性系统架构图;
图10是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图2是根据本发明实施例的数据清洗的方法的主要流程的示意图。
如图2所示,本发明实施例的数据清洗的方法主要包括以下步骤:
步骤S201:利用内存映射的方式将源文件切割为多个子文件。
为避免在读取源文件的数据的过程中出现内存溢出的现象,可以利用内存映射的方式将源文件切割为多个子文件。采用内存映射的方式将源文件映射到内存块上,进而切割成多个子文件,并按照规则生成文件名称,例如“split_1.txt”、“split_2.txt”等。
在本发明实施例中,本步骤可以通过将源文件根据切割规则切割为多个子文件实现。利用内存映射的方式切割源文件可以采用不同的切割规则,例如,按照字节进行切割、按照表达式进行切割、按照关键字进行分割等等。
步骤S202:将子文件的内容读取到内存中。
源文件切割后得到的子文件分别读取到内存中。
采用非阻塞输入/输出流(NIO)读取子文件的内容,NIO能够提供缓存支持,NIO通过块读取,所以读取的数据不是一个字符,而是一个块,把这些数据放到内存缓冲区内,之后读取到内存中。通过采用NIO读取的方式提高了读取的速度。在本发明实施例中,利用非阻塞输入/输出流将子文件的内容读取到内存中。
步骤S203:对子文件进行处理后发送至消息中间件平台进行数据清洗。
对内存中的对子文件进行处理,然后发送至消息中间件平台进行数据清洗。消息中间件平台可以用于传递消息或数据,具有高的可用性、扩展性和运维性,其中,消息中间件平台的生产端可以接收消息或数据,然后将所接收的消息或数据分配至多个消息中间件平台的消费端。
由于在对源文件进行切割时,可能出现内容截断的情况,因此,对子文件的首尾行数据和其它部分数据需要采取不同的措施来处理。在本发明实施例中,本步骤可以通过在子文件的第一行数据和最后一行数据中添加标识,并分别存储至缓存系统,通过定时任务对已添加标识的第一行数据和最后一行数据分别进行数据整合以得到第一待清洗数据;以及将子文件的其它数据封装成第二待清洗数据实现。
对于子文件的首尾行数据,可能存在因文件切割导致内容截断的内容,因此,需要对子文件的第一行数据和最后一行数据添加标识,用于标注其还需进一步的数据整合处理以得到第一待清洗数据,可以通过定时任务的方式对子文件的第一行数据和最后一行数据进行处理,该定时任务的时间间隔可以根据实际情况设定,也可以由系统或服务器指定;对于子文件的其它数据,由于不受切割文件影响,因此直接封装成第二待清洗数据。
对子文件进行处理后所得到的第一待清洗数据和第二待清洗数据经消息中间件平台的生产端分配至消息中间件平台的消费端进行数据清洗,对于第一待清洗数据和第二待清洗数据采用相同的清洗规则,符合清洗规则的数据写入目标文件,而不符合清洗规则的数据记录到日志文件。在本发明实施例中,将第一待清洗数据和第二待清洗数据经消息中间件平台的生产端分配至消息中间件平台的消费端进行数据清洗;将符合清洗规则的数据写入目标文件;以及将不符合清洗规则的数据记录到日志文件。
写入目标文件的是符合清洗规则的数据,即清洗后的数据,因此,可以将目标文件发送至数据仓库或数据集市。在本发明实施例中,将目标文件封装成清洗结果发送至数据仓库或数据集市。
根据本发明实施例的数据清洗的方法可以看出,因为采用对数据先拆分再清洗的技术手段,利用内存映射方式将源文件切割为多个子文件;将子文件的内容读取到内存中,对子文件进行处理后发送至消息中间件平台进行数据清洗,所以克服了现有技术在读取数据的过程中因为内存溢出,导致数据清洗失败,程序可用性低,且数据量较大的文件读写数据的过程耗时时间长,效率极低的技术问题,进而达到避免在读取数据的过程中出现内存溢出,提高了程序的可用性,同时,缩短了数据清洗的处理时间,提高了数据清洗的效率的技术效果。
图3是根据本发明实施例的数据清洗的方法的实现流程示意图。
如图3所示,本发明实施例的数据清洗的方法的实现流程主要包括以下几部分:
第一部分,将源文件切割为多个子文件;
第二部分,将子文件的内容读取到内存中;
第三部分,对子文件的内容进行处理,即对子文件的头尾行数据以及其它部分数据分别进行处理,处理后的子文件的头尾行数据以及其它部分数据经消息中间件平台的生产端分配至多个消息中间件平台的消费端;
第四部分,消息中间件平台的消费端对子文件的数据进行清洗合规检查,即判断子文件的数据内容是否符合规定,如果子文件的数据内容合规,则将子文件的数据写入目标文件;如果子文件的数据内容不合规,则在日志文件中进行记录。该日志文件能够用于对源文件进行分析,其中记录了本次清洗合规检查的相关信息,例如数据内容不合规的位置、数据内容不合规的原因、能否修改后写入目标文件等;
第五部分,将目标文件封装为数据清洗结果,并上传至数据仓库或数据集市。
图4是根据本发明实施例的数据清洗的方法的切割源文件的示意图。
如图4所示,在本发明实施例中,采用内存映射的方式将源文件映射到内存块上,进而切割成多个子文件,并按照规则生成文件名称,例如“split_1.txt”、“split_2.txt”等。需要注意的是,本发明实施例中可以采用不同的切割规则,例如,按照字节进行切割、按照表达式进行切割、按照关键字进行分割等等。
图5是根据本发明实施例的数据清洗的方法的处理子文件的示意图。
如图5所示,在本发明实施例中,在进行数据清洗前还需要对源文件切割产生的多个子文件进行处理。对子文件进行处理主要包括两部分,即对子文件的头尾行数据进行处理和对子文件的其它部分数据进行处理。
对子文件的头尾行数据进行处理:
在子文件的第一行数据和最后一行数据中添加标识,然后分别存储至缓存系统。
对子文件的其它部分数据进行处理:
将子文件的其它部分封装成待清洗数据发送至消息中间件平台的生产端。
图6是根据本发明实施例的数据清洗的方法的清洗流程示意图一。
如图6所示,对于存储在缓存系统中的已添加标识的第一行数据和最后一行数据,采用定时任务的方式分别对第一行数据和最后一行数据进行数据整合,得到补全的完整数据作为第一待清洗数据,然后经消息中间件平台的生产端分配至消息中间件平台的消费端进行数据清洗,消息中间件平台的消费端由多个客户端组成,多个客户端可以同时对该第一待清洗数据进行清洗合规检查,即判断该第一待清洗数据的内容是否符合规定,如果该第一待清洗数据的内容合规,则将子文件的数据写入目标文件;如果该第一待清洗数据的内容不合规,则在日志文件中进行记录。
图7是根据本发明实施例的数据清洗的方法的清洗流程示意图二;
如图7所示,对于子文件头尾行之外的其它部分数据,直接封装成第二待清洗数据,由消息中间件平台的生产端分配至消息中间件平台的消费端进行数据清洗,消息中间件平台的消费端由多个客户端组成,多个客户端可以同时对该第二待清洗数据进行清洗合规检查,消息中间件平台的消费端对该第二待清洗数据进行清洗合规检查,即判断该第二待清洗数据的内容是否符合规定,如果该第二待清洗数据的内容合规,则将子文件的数据写入目标文件;如果该第二待清洗数据的内容不合规,则在日志文件中进行记录。
图8是根据本发明实施例的数据清洗的装置的主要模块的示意图。
如图8所示,本发明实施例的一种数据清洗的装置800主要包括:切割模块801、读取模块802和处理模块803。
其中:
切割模块801,用于利用内存映射的方式将源文件切割为多个子文件;
读取模块802,用于将所述子文件的内容读取到内存中;
处理模块803,用于对所述子文件进行处理后发送至消息中间件平台进行数据清洗。
本发明实施例中,所述处理模块803还用于:在所述子文件的第一行数据和最后一行数据中添加标识,并分别存储至缓存系统,通过定时任务对已添加标识的所述第一行数据和所述最后一行数据分别进行数据整合以得到第一待清洗数据;以及将所述子文件的其它数据封装成第二待清洗数据。
此外,所述处理模块803进一步用于:将所述第一待清洗数据和所述第二待清洗数据经所述消息中间件平台的生产端分配至所述消息中间件平台的消费端进行数据清洗;将符合清洗规则的数据写入目标文件;以及将不符合清洗规则的数据记录到日志文件。
此外,所述装置还包括:发送模块,用于将所述目标文件封装成清洗结果发送至数据仓库或数据集市。
本发明实施例中,所述切割模块801还用于:将所述源文件根据切割规则切割为多个所述子文件。
本发明实施例中,所述读取模块802还用于:利用非阻塞输入/输出流将所述子文件的内容读取到内存中。
根据本发明实施例的数据清洗的装置可以看出,因为采用对数据先拆分再清洗的技术手段,利用内存映射方式将源文件切割为多个子文件;将子文件的内容读取到内存中,对子文件进行处理后发送至消息中间件平台进行数据清洗,所以克服了现有技术在读取数据的过程中因为内存溢出,导致数据清洗失败,程序可用性低,且数据量较大的文件读写数据的过程耗时时间长,效率极低的技术问题,进而达到避免在读取数据的过程中出现内存溢出,提高了程序的可用性,同时,缩短了数据清洗的处理时间,提高了数据清洗的效率的技术效果。
图9示出了可以应用本发明实施例的数据清洗的方法或数据清洗的装置的示例性系统架构900。
如图9所示,系统架构900可以包括终端设备901、902、903,网络904和服务器905。网络904用以在终端设备901、902、903和服务器905之间提供通信链路的介质。网络904可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备901、902、903通过网络904与服务器905交互,以接收或发送消息等。终端设备901、902、903上可以安装有各种客户端应用。
终端设备901、902、903可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器905可以是提供各种服务的服务器,例如对用户利用终端设备901、902、903所浏览的网站提供支持的后台管理服务器。后台管理服务器可以对接收到的数据进行分析或清洗等处理,并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是,本发明实施例所提供的数据清洗的方法一般由服务器905执行,相应地,数据清洗的装置一般设置于服务器905中。
应该理解,图9中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图10,其示出了适于用来实现本发明实施例的终端设备的计算机系统1000的结构示意图。图10示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,计算机系统1000包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括切割模块、读取模块和处理模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,处理模块还可以被描述为“对所述子文件进行处理后发送至消息中间件平台进行数据清洗的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:步骤S201:利用内存映射的方式将源文件切割为多个子文件;步骤S202:将子文件的内容读取到内存中;步骤S203:对子文件进行处理后发送至消息中间件平台进行数据清洗。
根据本发明实施例的技术方案,因为采用对数据先拆分再清洗的技术手段,利用内存映射方式将源文件切割为多个子文件;将子文件的内容读取到内存中,对子文件进行处理后发送至消息中间件平台进行数据清洗,所以克服了现有技术在读取数据的过程中因为内存溢出,导致数据清洗失败,程序可用性低,且数据量较大的文件读写数据的过程耗时时间长,效率极低的技术问题,进而达到避免在读取数据的过程中出现内存溢出,提高了程序的可用性,同时,缩短了数据清洗的处理时间,提高了数据清洗的效率的技术效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种数据清洗的方法,其特征在于,包括:
利用内存映射的方式将源文件切割为多个子文件;
将所述子文件的内容读取到内存中;
对所述子文件进行处理后发送至消息中间件平台进行数据清洗;
其中,对所述子文件进行处理包括:
在所述子文件的第一行数据和最后一行数据中添加标识,并分别存储至缓存系统,通过定时任务对已添加标识的所述第一行数据和所述最后一行数据分别进行数据整合以得到第一待清洗数据;以及
将所述子文件的其它数据封装成第二待清洗数据;
发送至消息中间件平台进行数据清洗包括:
将所述第一待清洗数据和所述第二待清洗数据经所述消息中间件平台的生产端分配至所述消息中间件平台的消费端进行数据清洗;
将符合清洗规则的数据写入目标文件;以及
将不符合清洗规则的数据记录到日志文件。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述目标文件封装成清洗结果发送至数据仓库或数据集市。
3.根据权利要求1所述的方法,其特征在于,将源文件切割为多个子文件包括:
将所述源文件根据切割规则切割为多个所述子文件。
4.根据权利要求1所述的方法,其特征在于,将所述子文件的内容读取到内存中包括:
利用非阻塞输入/输出流将所述子文件的内容读取到内存中。
5.一种数据清洗的装置,其特征在于,包括:
切割模块,用于利用内存映射的方式将源文件切割为多个子文件;
读取模块,用于将所述子文件的内容读取到内存中;
处理模块,用于对所述子文件进行处理后发送至消息中间件平台进行数据清洗;
其中,所述处理模块还用于:
在所述子文件的第一行数据和最后一行数据中添加标识,并分别存储至缓存系统,通过定时任务对已添加标识的所述第一行数据和所述最后一行数据分别进行数据整合以得到第一待清洗数据;以及
将所述子文件的其它数据封装成第二待清洗数据;
所述处理模块进一步用于:
将所述第一待清洗数据和所述第二待清洗数据经所述消息中间件平台的生产端分配至所述消息中间件平台的消费端进行数据清洗;
将符合清洗规则的数据写入目标文件;以及
将不符合清洗规则的数据记录到日志文件。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
发送模块,用于将所述目标文件封装成清洗结果发送至数据仓库或数据集市。
7.根据权利要求5所述的装置,其特征在于,所述切割模块还用于:
将所述源文件根据切割规则切割为多个所述子文件。
8.根据权利要求5所述的装置,其特征在于,所述读取模块还用于:
利用非阻塞输入/输出流将所述子文件的内容读取到内存中。
9.一种数据清洗的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710555814.5A CN109241040B (zh) | 2017-07-10 | 2017-07-10 | 数据清洗的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710555814.5A CN109241040B (zh) | 2017-07-10 | 2017-07-10 | 数据清洗的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241040A CN109241040A (zh) | 2019-01-18 |
CN109241040B true CN109241040B (zh) | 2021-05-25 |
Family
ID=65082976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710555814.5A Active CN109241040B (zh) | 2017-07-10 | 2017-07-10 | 数据清洗的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241040B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925772A (zh) * | 2019-12-06 | 2021-06-08 | 北京沃东天骏信息技术有限公司 | 一种数据动态拆分方法和装置 |
CN115754416B (zh) * | 2022-11-16 | 2023-06-27 | 国能大渡河瀑布沟发电有限公司 | 基于边缘计算的水轮发电机局部放电分析系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117292A (zh) * | 2009-12-30 | 2011-07-06 | 中国银联股份有限公司 | 文件二次生成及查询方法 |
CN104331446A (zh) * | 2014-10-28 | 2015-02-04 | 北京临近空间飞行器系统工程研究所 | 一种基于内存映射的海量数据预处理方法 |
CN106933818A (zh) * | 2015-12-29 | 2017-07-07 | 北京明朝万达科技股份有限公司 | 一种快速的多关键字文本匹配方法及装置 |
-
2017
- 2017-07-10 CN CN201710555814.5A patent/CN109241040B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117292A (zh) * | 2009-12-30 | 2011-07-06 | 中国银联股份有限公司 | 文件二次生成及查询方法 |
CN104331446A (zh) * | 2014-10-28 | 2015-02-04 | 北京临近空间飞行器系统工程研究所 | 一种基于内存映射的海量数据预处理方法 |
CN106933818A (zh) * | 2015-12-29 | 2017-07-07 | 北京明朝万达科技股份有限公司 | 一种快速的多关键字文本匹配方法及装置 |
Non-Patent Citations (3)
Title |
---|
"文件映射";lihaoweiV;《https://blog.csdn.net/lihaoweiV/article/details/6275141》;20110324;第1-3页 * |
Hadoop切分纯文本时对某一行跨两个分片这种情况的处理;竖琴手;《https://blog.csdn.net/strangerzz/article/details/45822551》;20150518;第1-3页 * |
内存映射文件;Microsoft Docs;《https://docs.microsoft.com/zh-cn/dotnet/standard/io/memory-mapped-files?redirectedfrom=MSDN》;20170330;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109241040A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10249070B2 (en) | Dynamic interaction graphs with probabilistic edge decay | |
CN110019062A (zh) | 数据同步方法和系统 | |
CN110572422A (zh) | 数据下载方法和装置 | |
CN109241040B (zh) | 数据清洗的方法和装置 | |
CN110705271B (zh) | 一种提供自然语言处理服务的系统及方法 | |
CN111800223B (zh) | 生成发送报文、处理接收报文的方法、装置和系统 | |
US20160308933A1 (en) | Addressing application program interface format modifications to ensure client compatibility | |
CN113452733A (zh) | 文件下载方法和装置 | |
US10705755B2 (en) | Method, apparatus and computer program product for data backup | |
CN109144991B (zh) | 动态分表的方法、装置、电子设备和计算机可存储介质 | |
CN112711572B (zh) | 适用于分库分表的在线扩容方法和装置 | |
CN112688982B (zh) | 一种用户请求处理方法和装置 | |
CN114064803A (zh) | 一种数据同步方法和装置 | |
CN110019445B (zh) | 数据同步方法和装置、计算设备和存储介质 | |
CN110019671B (zh) | 一种处理实时消息的方法和系统 | |
CN113742376A (zh) | 一种同步数据的方法、第一服务器以及同步数据的系统 | |
CN113760861A (zh) | 一种数据迁移的方法和装置 | |
CN109213815B (zh) | 控制执行次数的方法、装置、服务器终端以及可读介质 | |
CN112131095A (zh) | 压力测试方法和装置 | |
CN114528444B (zh) | 图数据处理方法、装置、电子设备和存储介质 | |
CN109446183B (zh) | 全局防重的方法和装置 | |
US11656950B2 (en) | Method, electronic device and computer program product for storage management | |
CN113132480B (zh) | 一种数据传输方法、装置和系统 | |
CN112953810B (zh) | 一种网络请求的处理方法和装置 | |
CN114090524A (zh) | 一种Excel文件分布式导出方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |