Dies ist die Windows-App namens Open Source Data Quality and Profiling, deren neueste Version als ProfileV6.3.3.zip heruntergeladen werden kann. Es kann online beim kostenlosen Hosting-Anbieter OnWorks für Workstations ausgeführt werden.
Laden Sie diese App namens „Open Source Data Quality and Profiling with OnWorks“ kostenlos herunter und führen Sie sie online aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie einen beliebigen OS OnWorks-Online-Emulator von dieser Website, aber einen besseren Windows-Online-Emulator.
- 5. Rufen Sie vom gerade gestarteten OnWorks Windows-Betriebssystem unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter und installieren Sie sie.
- 7. Laden Sie Wine aus den Software-Repositorys Ihrer Linux-Distributionen herunter. Nach der Installation können Sie dann auf die App doppelklicken, um sie mit Wine auszuführen. Sie können auch PlayOnLinux ausprobieren, eine schicke Schnittstelle über Wine, die Ihnen bei der Installation beliebter Windows-Programme und -Spiele hilft.
Wine ist eine Möglichkeit, Windows-Software unter Linux auszuführen, jedoch ohne Windows. Wine ist eine Open-Source-Windows-Kompatibilitätsschicht, die Windows-Programme direkt auf jedem Linux-Desktop ausführen kann. Im Wesentlichen versucht Wine, genügend Windows von Grund auf neu zu implementieren, damit alle diese Windows-Anwendungen ausgeführt werden können, ohne dass Windows tatsächlich benötigt wird.
SCREENSHOTS
Ad
Open-Source-Datenqualität und -Profilierung
BESCHREIBUNG
Dieses Projekt widmet sich Open-Source-Lösungen für Datenqualität und Datenaufbereitung. Die Datenqualität umfasst Profilerstellung, Filterung, Governance, Ähnlichkeitsprüfung, Änderung der Datenanreicherung, Echtzeitwarnung, Warenkorbanalyse, Blasendiagramm, Lagervalidierung, Einzelkundenansicht usw., definiert durch die Strategie.
Dieses Tool entwickelt eine leistungsstarke integrierte Datenverwaltungsplattform, die nahtlos Datenintegration, Datenprofilierung, Datenqualität, Datenaufbereitung, Dummy-Datenerstellung, Metadatenerkennung, Anomalieerkennung, Datenbereinigung, Berichterstellung und Analyse ermöglicht.
Es verfügte auch über Hadoop-Unterstützung (Big Data), um Dateien in/aus dem Hadoop-Grid zu verschieben sowie Hive-Tabellen zu erstellen, zu laden und zu profilieren. Dieses Projekt ist auch als „Aggregate Profiler“ bekannt.
Resful API für dieses Projekt wird erstellt als (Beta-Version) https://sourceforge.net/projects/restful-api-for-osdq/
Auf Apache Spark basierende Datenqualität wird entwickelt https://sourceforge.net/projects/apache-spark-osdq/
Eigenschaften
- Teiid-, MySQL-, Oracle-, Postgres-, Access-, Db2- und SQL Server-zertifizierter Big-Data-Support – HIVE
- Hive-Tabelle erstellen, Hive-Tabelle profilieren, Datei in/vom Profiler-System und Hadoop-Grid verschieben
- Fuzzy-Logic-basierte Ähnlichkeitsprüfung, Kardinalitätsprüfung zwischen Tabellen und Dateien
- Export und Import aus dem XML-, XLS- oder CSV-Format, PDF-Export
- Dateianalyse, Regex-Suche, Standardisierung, DB-Suche
- Vollständiger DB-Scan, SQL-Schnittstelle, Datenwörterbuch, Schemavergleich
- Statistische Analyse, Berichterstattung (dimensions- und kennzahlbasiert), Ad-hoc-Berichte und Analysen
- Mustervergleich, DeDuplizierung, Fallvergleich, Korbanalyse, Verteilungsdiagramm
- Funktionen zur Datengenerierung, Datenvorbereitung und Datenmaskierung
- Metadateninformationen, Reverse Engineering des Datenmodells
- Aktualitätsanalyse, Stringlängenanalyse, KMean, Vorhersage, Regression
- Adresskorrektur, Einzelansicht von Kunden, Produkten, Golden Merge für Datensätze
- Record Match, Linkage und Merge basierend auf Fuzzy-Logik hinzugefügt
- Formaterstellung, Formatanpassung (Telefon, Datum, Zeichenfolge und Zahl), Formatstandardisierung
- Datenvorbereitung: Ordinal, Normalisierung, Bucketting, Regression
- Datenmaskierung, Verschlüsselung, Randomisierung von Daten
Publikum
Fortgeschrittene Endbenutzer, Entwickler, Qualitätsingenieure, Management
Benutzeroberfläche
Java-Schaukel
Programmiersprache
Javac
Datenbankumgebung
JDBC, ODBC
Dies ist eine Anwendung, die auch von https://sourceforge.net/projects/dataquality/ abgerufen werden kann. Es wurde in OnWorks gehostet, um es auf einfachste Weise online über eines unserer kostenlosen Betriebssysteme ausführen zu können.
