Kettle性能优化
Kettle性能优化是一个系统工程，不仅涉及工具本身的优化，更涉及ETL工具之外的诸多因素，比如，ETL要读取数据库，那么目标DMBS的性能，SQL语句，网络等相关因素都影响到执行效率。根据Kettle对数据ETL的过程性能调优，主要取决于三个因素：上游渠道，工具的大小与数量，下游渠道。
一 Kettle调优
- 调整JVM大小进行性能优化，修改Kettle定时任务中的Kitchen或Pan或Spoon脚本。
Kettle是Java做的，尽量用大一点的内存参数启动Kettle；
##修改脚本代码片段
set OPT=-Xmx512m -cp %CLASSPATH% -Djava.library.path=libswt\win32\ -DKETTLE_HOME="%KETTLE_HOME%" -DKETTLE_REPOSITORY="%KETTLE_REPOSITORY%" -DKETTLE_USER="%KETTLE_USER%" -DKETTLE_PASSWORD="%KETTLE_PASSWORD%" -DKETTLE_PLUGIN_PACKAGES="%KETTLE_PLUGIN_PACKAGES%" -DKETTLE_LOG_SIZE_LIMIT="%KETTLE_LOG_SIZE_LIMIT%"
##参数参考：
-Xmx1024m：设置JVM最大可用内存为1024M。
-Xms512m：设置JVM促使内存为512m。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。
##样例：
OPT=-Xmx1024m -Xms512m
- 调整提交（Commit）记录数大小进行优化(尽量提高批处理的commit size)
如修改“表输出”组件中的“提交记录数量”参数进行优化，Kettle默认Commit数量为：1000，可以根据数据量大小来设置Commitsize：1000~50000。
- 调整记录集合里的记录数(RowSet)
RowSet是两个步骤之间的缓存.
性能调优的关键是如何找到性能瓶颈:一个重要的方法就是观察RowSet.如下图所示,当左边的in大于右边的out的位置时,很可能就是性能瓶颈的位置.(也可以通过单个执行最长的步骤来确定性能瓶颈.)
通过点击转换空白处,可以调整rowset的大小.
调整之后,执行效果如下:
- 调整转换动作的并发处理数(改变开始复制的数量)
注意:此种方式要用在适合并发操作的场景,比如查询类,要注意死锁问题.
当调整rowset大小之后,性能效果仍不明显的话,可以尝试调整转换动作的并发处理数,比如以下转换操作在"数据库查询"处出现性能瓶颈.
调整并发处理数:(一般设置成2-8个)
执行情况如下图所示,速度明显提高了很多.
5. 使用集群,尤其是对于查询类,运算类,排序等;
6. 更换其他实现方式,如js使用java类或插件;
7. 注意日志级别(Rowlevel日志的性能会严重下降,是Basic的1/10);
8. 注意死锁问题:数据库死锁(读写同一张表)和转换本身死锁;
9. 尽量使用数据库连接池；
使用数据库连接池,可以在一定程度上提高速度.如何查看是否使用了数据库连接池?(这个在详细日志中可以看到,使用了连接池).
10. 尽量使用缓存，缓存尽量大一些（主要是文本文件和数据流）,比如排序；
11. 合适的使用数据库索引,尤其对于数据库查询类.具体可以参考[索引的正确使用];
12. 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；
13. 插入大量数据的时候尽量把索引删掉；
14. 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；
15. 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；
16. 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）；
17. 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)；
18. 尽量不要用kettle的calculate计算步骤，能用数据库本身的sql就用sql ,不能用sql就尽量想办法用procedure,实在不行才是calculate步骤；
19. 远程数据库用文件+FTP的方式来传数据，文件要压缩。（只要不是局域网都可以认为是远程连接）。
20. 在确保结果输出正确的情况下,能使用并行处理的就不要使用串行处理.
二 索引的正确使用
在ETL过程中的索引需要遵循以下使用原则：
1、当插入的数据为数据表中的记录数量10%以上时，首先需要删除该表的索引来提高数据的插入效率，当数据全部插入后再建立索引。
2、避免在索引列上使用函数或计算，在where子句中，如果索引列是函数的一部分，优化器将不使用索引而使用全表扫描。
3、避免在索引列上使用 NOT和 “!=”，索引只能告诉什么存在于表中，而不能告诉什么不存在于表中，当数据库遇到NOT和 “!=”时，就会停止使用索引转而执行全表扫描。
4、索引列上用 >=替代 >
高效：select * from temp where deptno>=4
低效：select * from temp where deptno>3
两者的区别在于，前者DBMS将直接跳到第一个DEPT等于4的记录而后者将首先定位到DEPTNO=3的记录并且向前扫描到第一个DEPT大于3的记录。
三 数据抽取的SQL优化
1、Where子句中的连接顺序。
2、删除全表是用TRUNCATE替代DELETE。
3、尽量多使用COMMIT。
4、用EXISTS替代IN。
5、用NOT EXISTS替代NOT IN。
6、优化GROUP BY。
7、有条件的使用UNION-ALL替换UNION。
8、分离表和索引。
