Press "Enter" to skip to content

kettle使用

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

Kettle的安装及简单使用

 

目录

Kettle的安装及简单使用

一、kettle概述

 

1、什幺是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

 

[[email protected]]# ./carte.sh master 8080
[[email protected]]# ./carte.sh node1 8081
[[email protected]]# ./carte.sh node2 8082

访问web页面

http://master:8080

 

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)。

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注