“Spark Legirls”可能是一个误解或特定上下文中的术语，因为在我所知的范围内，并没有一个广泛认可的“Spark Legirls”项目或框架。不过，我可以为您提供在Spark中进行数据质量检查的通用方法，这些方法可以应用于各种大数据处理和分析场景。具体信息如下：
数据清洗是确保数据质量的第一步，主要通过以下步骤实现：
drop()方法删除包含缺失值的行，或使用fill()方法填充缺失值。dropDuplicates()方法删除重复的行。withColumn()方法将数据列的类型转换为正确的类型。数据验证是确保数据准确性和完整性的关键步骤，包括：
数据质量监控是通过监控数据质量指标来及时发现数据质量问题，并采取相应措施解决。Spark提供了监控数据质量的工具和方法，可以帮助监控数据的准确性和完整性。
定义数据质量规则，并在数据处理过程中应用这些规则来确保数据的质量。可以使用Spark的规则引擎来定义和执行数据质量规则。
生成数据质量报告，对数据进行审查和评估，以便及时发现和解决数据质量问题。可以使用Spark的报告工具来生成数据质量报告。
通过上述步骤，可以有效地进行数据质量检查，确保数据的质量满足业务需求。