kettle使用
Kettle的安装及简单使用
一、kettle概述
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。
2、Kettle工程存储方式
（1）以XML形式存储
（2）以资源库方式存储(数据库资源库和文件资源库)
3、Kettle的两种设计
4、Kettle的组成
5、kettle特点
二、kettle安装部署和使用
Windows下安装
（1）概述
在实际企业开发中，都是在本地环境下进行kettle的job和Transformation开发的，可以在本地运行，也可以连接远程机器运行
（2）安装步骤
1、安装jdk
2、下载kettle压缩包，因kettle为绿色软件，解压缩到任意本地路径即可
3、双击Spoon.bat，启动图形化界面工具，就可以直接使用了
案例1：MySQL to MySQL
把stu1的数据按id同步到stu2，stu2有相同id则更新数据
1、在mysql中创建testkettle数据库，并创建两张表
create database testkettle;
use testkettle;
create table stu1(id int,name varchar(20),age int);
create table stu2(id int,name varchar(20));
2、往两张表中插入一些数据
insert into stu1 values(1001,'zhangsan',20),(1002,'lisi',18), (1003,'wangwu',23);
insert into stu2 values(1001,'wukong');
3、把pdi-ce-8.2.0.0-342.zip文件拷贝到win环境中指定文件目录，解压后双击Spoon.bat，启动图形化界面工具，就可以使用了
主界面：
在kettle中新建转换--->输入--->表输入-->表输入双击
在data-integration\lib文件下添加mysql驱动
在数据库连接栏目点击新建，填入mysql相关配置，并测试连接
建立连接后，选择刚刚建好的连接，填入SQL，并预览数据：
以上说明stu1的数据输入ok的，现在我们需要把输入stu1的数据同步到stu2输出的数据
注意：拖出来的线条必须是深灰色才关联成功，若是浅灰色表示关联失败
转换之前，需要做保存
执行成功之后，可以在mysql查看，stu2的数据
mysql> select * from stu2;
+------+----------+
| id | name |
+------+----------+
| 1001 | zhangsan |
| 1002 | lisi |
| 1003 | wangwu |
+------+----------+
3 rows in set (0.00 sec)
案例2：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、按图示拉取组件
3、双击Start编辑Start
4、双击转换，选择案例1保存的文件
5、在mysql的stu1中插入一条数据，并将stu2中id=1001的name改为wukong
mysql> insert into stu1 values(1004,'stu1',22);
Query OK, 1 row affected (0.01 sec)
mysql> update stu2 set name = 'wukong' where id = 1001;
Query OK, 1 row affected (0.00 sec)
Rows matched: 1 Changed: 1 Warnings: 0
6、双击SQL脚本编辑
7、加上Dummy，如图所示：
8、保存并执行
9、在mysql数据库查看stu2表的数据
mysql> select * from stu2;
+------+----------+
| id | name |
+------+----------+
| 1001 | zhangsan |
| 1002 | lisi |
| 1003 | wangwu |
| 1004 | stu1 |
| 1005 | kettle |
+------+----------+
5 rows in set (0.00 sec)
案例3：将hive表的数据输出到hdfs
1、因为涉及到hive和hbase（后续案例）的读写，需要修改相关配置文件
修改解压目录下的data-integration\plugins\pentaho-big-data-plugin下的plugin.properties，设置active.hadoop.configuration=hdp26，26是指用hdp26文件夹里面的配置，从我们的hadoop，hive，hbase中将这些配置拷贝到data-integration\plugins\pentaho-big-data-plugin\hadoop-configurations\hdp26下
2、启动hadoop集群、hiveserver2服务
可以用来监控日志
3、进入hive shell，创建kettle数据库，并创建dept、emp表
create database kettle;
use kettle;
CREATE TABLE dept(
deptno int,
dname string,
loc string
) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
CREATE TABLE emp(
empno int,
ename string,
job string,
mgr int,
hiredate string,
sal double,
comm int,
deptno int
) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
4、插入数据
insert into dept values(10,'accounting','NEW YORK'),(20,'RESEARCH','DALLAS'),(30,'SALES','CHICAGO'),(40,'OPERATIONS','BOSTON');
insert into emp values(7369,'SMITH','CLERK',7902,'1980-12-17',800,NULL,20),(7499,'ALLEN','SALESMAN',7698,'1980-12-17',1600,300,30),(7521,'WARD','SALESMAN',7698,'1980-12-17',1250,500,30),(7566,'JONES','MANAGER',7839,'1980-12-17',2975,NULL,20);
5、按下图建立流程图
- 表输入
- 表输入2
- 排序记录
- 记录集连接
- 字段选择
- 文本文件输出
6、保存并运行查看hdfs
- 运行
- 查看HDFS文件
案例4：读取hdfs文件并将sal大于1000的数据保存到hbase中
1、在HBase中创建一张people表
hbase(main):004:0> create 'people','info'
2、按下图建立流程图
- 文本文件输入
- 设置过滤记录
-
设置HBase output
编辑hadoop连接，并配置zookeeper地址
- 执行转换
-
查看hbase people表的数据
scan 'people'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=root" "-Dfile.encoding=UTF-8"
三、创建资源库
1、数据库资源库
数据库资源库是将作业和转换相关的信息存储在数据库中，执行的时候直接去数据库读取信息，方便跨平台使用
-
在MySQL中创建kettle数据库
mysql> create database kettle; Query OK, 1 row affected (0.01 sec) -
点击右上角connect，选择Other Resporitory
- 选择Database Repository
- 建立新连接
- 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
-
连接资源库
默认账号密码为admin
-
将之前做过的转换导入资源库
-
选择从xml文件导入
-
点击保存，选择存储位置及文件名
-
查看MySQL中kettle库中的R_TRANSFORMATION表，观察转换是否保存
-
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
-
选择connect
-
点击add后点击Other Repositories
-
选择File Repository
-
填写信息
四、 Linux下安装使用
1、单机
-
jdk安装
-
安装包上传到服务器，并解压
注意：
-
把mysql驱动拷贝到lib目录下
-
将windows本地用户家目录下的隐藏目录C:\Users\自己用户名\.kettle 目录，
整个上传到linux的用户的家目录下，root用户的家目录为/root/
-
-
运行数据库资源库中的转换：
cd /usr/local/soft/data-integration ./pan.sh -rep=my_repo -user=admin -pass=admin -trans=tran1参数说明：
-rep 资源库名称
-user 资源库用户名
-pass 资源库密码
-trans 要启动的转换名称
-dir 目录(不要忘了前缀 /)（如果是以ktr文件运行时，需要指定ktr文件的路径）
-
运行资源库里的作业：
记得把作业里的转换变成资源库中的资源
记得把作业也变成资源库中的资源
cd /usr/local/soft/data-integration mkdir logs ./kitchen.sh -rep=my_repo -user=admin -pass=admin -job=job1 -logfile=./logs/log.txt参数说明：
-rep - 资源库名
-user - 资源库用户名
-pass – 资源库密码
-job – job名
-dir – job路径（当直接运行kjb文件的时候需要指定）
-logfile – 日志目录
2、 集群模式
-
准备三台服务器
master作为Kettle主服务器，服务器端口号为8080，
node1和node2作为两个子服务器，端口号分别为8081和8082。
-
安装部署jdk
-
hadoop完全分布式环境搭建
-
上传并解压kettle的安装包至
/usr/local/soft/目录下 -
进到/usr/local/soft/data-integration/pwd目录，修改配置文件
-
修改主服务器配置文件carte-config-master-8080.xml
<slaveserver> <name>master</name> <hostname>master</hostname> <port>8080</port> <master>Y</master> <username>cluster</username> <password>cluster</password> </slaveserver> -
修改从服务器配置文件carte-config-8081.xml
<masters> <slaveserver> <name>master</name> <hostname>master</hostname> <port>8080</port> <username>cluster</username> <password>cluster</password> <master>Y</master> </slaveserver> </masters> <report_to_masters>Y</report_to_masters> <slaveserver> <name>slave1</name> <hostname>node1</hostname> <port>8081</port> <username>cluster</username> <password>cluster</password> <master>N</master> </slaveserver> -
修改从配置文件carte-config-8082.xml
<masters> <slaveserver> <name>master</name> <hostname>master</hostname> <port>8080</port> <username>cluster</username> <password>cluster</password> <master>Y</master> </slaveserver> </masters> <report_to_masters>Y</report_to_masters> <slaveserver> <name>slave2</name> <hostname>node2</hostname> <port>8082</port> <username>cluster</username> <password>cluster</password> <master>N</master> </slaveserver>
-
-
分发整个kettle的安装目录，通过scp命令
-
分发/root/.kettle目录到node1、node2
-
启动相关进程，在master,node1,node2上分别执行
[root@master]# ./carte.sh master 8080
[root@node1]# ./carte.sh node1 8081
[root@node2]# ./carte.sh node2 8082
- 访问web页面
案例：读取hive中的emp表，根据id进行排序，并将结果输出到hdfs上
注意：因为涉及到hive和hbase的读写，需要修改相关配置文件。
修改解压目录下的data-integration\plugins\pentaho-big-data-plugin下的plugin.properties，设置active.hadoop.configuration=hdp26，并将如下配置文件拷贝到data-integration\plugins\pentaho-big-data-plugin\hadoop-configurations\hdp26下
-
创建转换，编辑步骤，填好相关配置
直接使用trans1
-
创建子服务器，填写相关配置，跟集群上的配置相同
-
创建集群schema，选中上一步的几个服务器
-
对于要在集群上执行的步骤，右键选择集群，选中上一步创建的集群schema
-
创建Run Configuration,选择集群模式
-
直接运行，选择集群模式运行
五、调优
1、调整JVM大小进行性能优化，修改Kettle根目录下的Spoon脚本。
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。
2、 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
3、尽量使用数据库连接池；
4、尽量提高批处理的commit size；
5、尽量使用缓存，缓存尽量大一些（主要是文本文件和数据流）；
6、Kettle是Java做的，尽量用大一点的内存参数启动Kettle；
7、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；
8、插入大量数据的时候尽量把索引删掉；
9、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；
10、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；
11、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）；
12、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)。
