文件数据去重示例

【摘要】
本文介绍小文件与大文件在进行数据去重时的几种处理办法，比如按整行或关键列去除重复数据或留下重复数据，并用 esProc SPL 举例实现。请点击文件数据去重示例了解详情

在数据处理业务中，有时需要清除文件中的重复数据或只留下重复数据，本文将从小文件、大文件两方面介绍整行去重、关键列去重的几种处理办法，并提供用 esProc SPL 编写的代码示例。esProc 是专业的数据计算引擎，SPL 中有一套完善的集合运算领域的函数库，很适合处理文件去重，写出的代码非常简洁。

1. 小文件

1.1 整行去重

有一个文本文件，其每一行是一个字符串，要将文件中的重复行只保留一行。处理此问题可以把文件的每一行读成一个字符串，组成一个集合，然后通过集合去重运算得出结果。

示例：报名绘画兴趣班的同学学号姓名记录在 paint.txt 中，可能有些同学报了多次，请删除文件中重复的报名后保存在 paint1.txt 中。原文件部分数据如下所示
    20121102-Joan
    20121107-Jack
    20121113-Mike
    20121107-Jack

esProc SPL 脚本如下：

1.2 关键列比较

一个文件，有多列数据，第一行是列名，第二行开始是数据记录，要对文件中关键列的内容进行比较，对关键列内容重复的行进行删除或只保留重复的行。

现有 2018 年的销售订单表 order_2018.xlsx，部分数据如下所示：

1.2.1. 去除重复

示例 1：请求出 2018 年购买产品的所有不同的客户 Id，保存在文件 2018c.xlsx 中。

esProc SPL 脚本如下：

示例 2：请求出 2018 年各位客户购买了哪些不同产品，将 CustomerId 和 ProductId 保存在文件 2018c_p.xlsx 中。

esProc SPL 脚本如下：

1.2.2. 只保留重复

示例：请求出 2018 年回头客 (即多次购买同种产品的客户) 的订单情况，将结果保存在文件 2018c_rebuy.xlsx 中。

esProc SPL 脚本如下：

2. 大文件

大文件数据不能一次性全部装进内存，不能象小文件数据那样全部读出来再进行重复性比较，需要分批读出数据去比较。esProc SPL 提供了游标来处理大文件运算，使大文件去重运算也变得十分方便。

2.1 整行去重

有大文本文件，其每一行是一个字符串，要将文件中的重复行只保留一行。处理此问题要把文件的每一行读成一个字符串，成为游标中的一条记录，然后通过游标的去重运算得出结果。

示例：现有全国房产产权人员登记表大文件 all.txt，里面记录产权人的身份证及姓名，部分数据如下所示：
    510121198802213364-Joan
    110113199203259852-Jack
    201264197206271113-Mike

由于有些人员在多个州拥有房产，所以文件中会有重复的登记，请将重复的登记只保留一个，将结果保存在 all2.txt 中。esProc SPL 脚本如下：

2.2 关键列比对

本节仍用销售订单表为例，是所有年份的合并销售订单表 orders.xlsx，是个大文件。

2.2.1. 去除重复

示例 1：请找出购买产品的所有不同的客户 Id，保存在文件 customers.xlsx 中。

esProc SPL 脚本如下：

示例 2：请找出各位客户购买了哪些不同产品，将 CustomerId 和 ProductId 保存在文件 c_p.xlsx 中。

esProc SPL 脚本如下：

2.2.2. 只保留重复

示例：请找出回头客 (即多次购买同种产品的客户) 的订单情况，将结果保存在文件 c_rebuy.xlsx 中。

esProc SPL 脚本如下：

《SPL CookBook》中还有更多相关计算示例。