kettle插件cpython kettle工具

文章目录

• 一、Kettle概述

• 1.1 什么是kettle
• 1.2 Kettle核心知识点
• 1.3 Kettle特点

• 二、Kettle的使用

• 2.1 数据库表之间的同步
• 2.2 数据库表之间的同步【高级】
• 2.3 Hive输出到HDFS
• 2.4 HDFS数据输出到HBase

• 三、Kettle资源库

• 3.1 数据库资源库
• 3.2 文件资源库

• 四、Kettle优化

一、Kettle概述

1.1 什么是kettle

Kettle是一款开源的ETL工具，纯java编写，可以在Window、Linux、Unix上运行，绿色无需安装，数据抽取高效稳定。

1.2 Kettle核心知识点

① Kettle工程存储方式

• 以XML形式存储
• 以资源库方式存储(数据库资源库和文件资源库)

② Kettle的两种设计

Transformation（转换）：完成针对数据的基础转换。
Job（作业）：完成整个工作流的控制

• 作业是步骤流，转换是数据流。这是作业和转换最大的区别
• 作业的每一个步骤，必须等到前面的步骤都跑完了，后面的步骤才会执行；而转换会一次性把所有控件全部先启动（一个控件对应启动一个线程），然后数据流会从第一个控件开始，一条记录、一条记录地流向最后的控件

③ Kettle文件的组成

• 勺子(Spoon.bat/spoon.sh) : 是一个图形化的界面，可以让我们用图形化的方式开发转换和作业。windows选择Spoon.bat；Linux选择Spoon.sh
• 煎锅（Pan.bat/pan.sh）: 利用Pan可以用命令行的形式调用Trans
• 厨房（Kitchen.bat/kitchen.sh）: 利用Kitchen可以使用命令行调用Job
• 菜单(Carte.bat/ Carte.sh)：Carte是一个轻量级的Web容器，用于建立专用、远程的ETL Server。

1.3 Kettle特点

二、Kettle的使用

2.1 数据库表之间的同步

案例：把stu1的数据按id同步到stu2，stu2有相同id则更新数据。

① MySQL中创建stu1、stu2并添加数据

mysql> create database kettle;
mysql> use kettle;
mysql> create table stu1(id int,name varchar(20),age int);
mysql> create table stu2(id int,name varchar(20));
mysql> insert into stu1 values(1001,'zhangsan',20),(1002,'lisi',18), (1003,'wangwu',23);
mysql> insert into stu2 values(1001,'wukong');

②新建一个转换

③ )保存转换，启动运行，去mysql表查看结果注意：如果需要连接mysql数据库，需要要先将mysql的连接驱动包复制到kettle的根目录下的lib目录中，否则会报错找不到驱动。

2.2 数据库表之间的同步【高级】

案例：使用作业执行上述转换，并且额外在表stu2中添加一条数据

① 新建一个作业

② 保存执行

2.3 Hive输出到HDFS

案例：将Hive表的数据输出到HDFS

①因为涉及到Hive和HBase的读写，需要修改相关配置文件

修改plugins\pentaho-big-data-plugin下的plugin.properties，设置active.hadoop.configuration=hdp26，并将如下Hadoop、Hive、HBase配置文件拷贝到plugins\pentaho-big-data-plugin\hadoop-configurations\hdp26下。

② 前提：启动Hadoop集群③ 使用之前Hive表中已经创建好的dept、emp

④ 新建转换

⑤ 执行转换后，从HDFS中下载文件

2.4 HDFS数据输出到HBase

案例4：读取HDFS文件并将sal大于1000的数据保存到GBase中

① 新建HBase表

hbase(main):001:0> create 'people','info'

③ 保存执行

注意：若报错没有权限往HDFS写文件，在Spoon.bat中第119行添加参数-DHADOOP_USER_NAME=WINDOW -Dfile.encoding=UTF-8或参考

三、Kettle资源库

资源库是Kettle文件的另一种存储方式

3.1 数据库资源库

① 点击右上角connect，选择Other Resporitory

② 选择Database Repository

③ 建立新连接

④填好之后，点击finish，会在指定的库中创建很多表，至此数据库资源库创建完成

⑤ 连接资源库，默认账号密码为admin

⑥ 将之前做过的转换导入资源库

3.2 文件资源库

将作业和转换相关的信息存储在指定的目录中，其实和XML的方式一样创建方式跟创建数据库资源库步骤类似，只是不需要用户密码就可以访问，跨平台使用比较麻烦。

四、Kettle优化

2. 调整JVM大小进行性能优化，修改Kettle根目录下的Spoon脚本。



3. 参数参考：
   -Xmx2048m：设置JVM最大可用内存为2048M。
   -Xms1024m：设置JVM促使内存为1024M。此值可以设置与-Xmx相同，以避免每次垃圾回收完成后JVM重新分配内存。
   -Xmn2g：设置年轻代大小为2G。整个JVM内存大小=年轻代大小 + 年老代大小 + 持久代大小。持久代一般固定大小为64M，所以增大年轻代后，将会减小年老代大小。此值对系统性能影响较大，Sun官方推荐配置为整个堆的3/8。
   -Xss128k：设置每个线程的堆栈大小。JDK5.0以后每个线程堆栈大小为1M，以前每个线程堆栈大小为256K。更具应用的线程所需内存大小进行调整。在相同物理内存下，减小这个值能生成更多的线程。但是操作系统对一个进程内的线程数还是有限制的，不能无限生成，经验值在3000~5000左右。
4. 调整提交（Commit）记录数大小进行优化，Kettle默认Commit数量为：1000，可以根据数据量大小来设置Commitsize：1000~50000
5. 尽量使用数据库连接池；
6. 尽量提高批处理的commit size；
7. 尽量使用缓存，缓存尽量大一些（主要是文本文件和数据流）；
8. Kettle是Java做的，尽量用大一点的内存参数启动Kettle；
9. 可以使用sql来做的一些操作尽量用sql；Group 、 merge 、 stream lookup、split field这些操作都是比较慢的，想办法避免他们，能用sql就用sql；
10. 插入大量数据的时候尽量把索引删掉；
11. 尽量避免使用update、 delete操作，尤其是update，如果可以把update变成先delete，后insert；
12. 能使用truncate table的时候，就不要使用deleteall row这种类似sql合理的分区，如果删除操作是基于某一个分区的，就不要使用delete row这种方式（不管是deletesql还是delete步骤），直接把分区drop掉，再重新创建；
13. 尽量缩小输入的数据集的大小（增量更新也是为了这个目的）；
14. 尽量使用数据库原生的方式装载文本文件(Oracle的sqlloader，mysql的bulk loader步骤)。