Kettle的安装及简单使用

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

image.png

4、Kettle的组成

image.png

5、kettle特点

image.png


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

image.png

主界面:

image.png

在kettle中新建转换--->输入--->表输入-->表输入双击

image.png

在data-integration\lib文件下添加mysql驱动

image.png

在数据库连接栏目点击新建,填入mysql相关配置,并测试连接

image.png

建立连接后,选择刚刚建好的连接,填入SQL,并预览数据:

image.png

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

image.png

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

image.png

转换之前,需要做保存

image.png

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

image.png

2、按图示拉取组件

image.png

3、双击Start编辑Start

image.png

4、双击转换,选择案例1保存的文件

image.png

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

image.png

7、加上Dummy,如图所示:

image.png

8、保存并执行

image.png

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,并将如下配置文件拷贝到data-integration\plugins\pentaho-big-data-plugin\hadoop-configurations\hdp26下

image.png

2、启动hadoop集群、hiveserver2服务

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 ',';

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 ',';

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

image.png

  • 表输入
image.png
  • 表输入2
image.png
  • 排序记录
image.png
  • 记录集连接
image.png
  • 字段选择
image.png image.png
  • 文本文件输出
image.png image.png

6、保存并运行查看hdfs

  • 运行
image.png
  • 查看HDFS文件
image-20210129215501794.png

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

image.png

  • 文本文件输入
image.png image.png
  • 设置过滤记录
image.png
  • 设置HBase output

    编辑hadoop连接,并配置zookeeper地址

image.png image.png
  • 执行转换
image.png
  • 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

image.png
  • 选择Database Repository
image.png
  • 建立新连接
image.png image.png image.png
  • 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
image.png
  • 连接资源库

    默认账号密码为admin

image.png
  • 将之前做过的转换导入资源库

    • 选择从xml文件导入

      image.png
    • 点击保存,选择存储位置及文件名

    image.png
    • 查看MySQL中kettle库中的R_TRANSFORMATION表,观察转换是否保存

      image.png

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

image.png

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:

    1. 把mysql驱动拷贝到lib目录下

    2. 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)

image.png
  • 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

    image.png

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

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

image.png
  • 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

image.png image.png image.png
  • 创建集群schema,选中上一步的几个服务器

    image.png
  • 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

    image.png
  • 创建Run Configuration,选择集群模式

    image.png
  • 直接运行,选择集群模式运行

    image-20210130145846848

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。

img

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)。

posted @ 2021-10-24 22:22  lmandcc  阅读(233)  评论(0编辑  收藏  举报