原作者:tiger119
现在是一个Google的时代,而对于开发者,开源已成为最重要的参考书。对于某课题,不管你是深入研究还是初窥门径。估且google一把,勾一勾同行的成就,你必会获益良多。
说到ETL开源项目,Kettle当属翘首,因此,偶决定花点时间了解一下。
项目名称很有意思,水壶。按项目负责人Matt的说法:把各种数据放到一个壶里,然后呢,以一种你希望的格式流出。呵呵,外国人都很有联想力。
看了提供的文档,然后对发布程序的简单试用后,可以很清楚得看到Kettle的四大块:
Chef——工作(job)设计工具 (GUI方式) 注:kettle2.4.0以后已经被spoon代替
Kitchen——工作(job)执行器 (命令行方式)
Spoon——转换(transform)设计工具 (GUI方式)
Span——转换(trasform)执行器 (命令行方式)
Carte——远程执行转换(trasform)的web服务器,通过内置jetty实现.
嗯,厨师已经在厨房里,勺子和盘子一应俱全,且看能做出如何的大餐?
一:Chef——工作(job)设计器 这是一个GUI工具,操作方式主要通过拖拖拉拉,勿庸多言,一看就会。
何谓工作? 多个作业项,按特定的工作流串联起来,开成一项工作。正如:我的工作是软件开发。我的作业项是:设计、编码、测试!先设计,如果成功,则编码,否则继续设计,编码完成则开始设计,周而复始,作业完成。
来,看看Chef中的作业项:
1.1: 转换:指定更细的转换任务,通过Spoon生成。通过Field来输入参数。
1.2: SQL:sql语句执行,
1.3: FTP:下载ftp文件。
1.4: 邮件:发送邮件。
1.5: 检查表是否存在,
1.6: 检查文件是否存在,
1.7: 执行shell脚本。如:dos命令。
1.8: 批处理。(注意:windows批处理不能有输出到控制台)。
1.9: Job包。作为嵌套作业使用。
1.10:JavaScript执行。这个比较有意思,我看了一下源码,如果你有自已的Script引擎,可以很方便的替换成自定义Script,来扩充其功能。
1.11:SFTP:安全的Ftp协议传输。
1.12:HTTP方式的上/下传。
好了,看看工作流:
如上文所述,工作流是作业项的连接方式。分为三种:无条件,成功,失败。这个没啥好说的,从名字就能知道它的意图。
嗯,为了方便工作流使用,提供了几个辅助结点单元(你也可将其作为简单的作业项):
1:Start单元,任务必须由此开始。设计作业时,以此为起点。
2:OK单元:可以编制做为中间任务单元,且进行脚本编制,用来控制流程。
3:ERROR单元:用途同上。
4:DUMMY单元:啥都不做,主要是用来支持多分支的情况。文档中有例子,不再多说。
存储方式:
支持XML存储,或存储到指定数据库中。
一些默认的配置(如数据库存储位置……),在系统的用户目录下,单独建立了一个.Kettle目录,用来保存用户的这些设置。
LogView:可查看执行日志。
二:Kitchen——作业执行器 是一个作业执行引擎,用来执行作业。这是一个命令行执行工具,没啥可讲的,就把它的参数说明列一下。
-rep : Repository name 任务包所在存储名
-user : Repository username 执行人
-pass : Repository password 执行人密码
-job : The name of the job to launch 任务包名称
-dir : The directory (don't forget the leading / or \)
-file : The filename (Job XML) to launch
-level : The logging level (Basic, Detailed, Debug, Rowlevel, Error, Nothing) 指定日志级别
-log : The logging file to write to 指定日志文件
-listdir : List the directories in the repository 列出指定存储中的目录结构。
-listjobs : List the jobs in the specified directory 列出指定目录下的所有任务
-listrep : List the defined repositories 列出所有的存储
-norep : Don't log into the repository 不写日志
嗯,居然不支持调度。看了一下文档,建议使用操作系统提供的调度器来实现调度,比如:Windows可以使用它的任务计划工具。
注:其实是支持调度的,在job的start单元,可以设置调度的时间。
三:Spoon——转换过程设计器 GUI工作,用来设计数据转换过程,创建的转换可以由Pan来执行,也可以被Chef所包含,作为作业中的一个作业项。
下面简单列举一下所有的转换过程。(简单描述,详细的可见Spoon文档)
3.1:Input-Steps:输入步骤
3.1.1:Text file input:文本文件输入,
可以支持多文件合并,有不少参数,基本一看参数名就能明白其意图。
3.1.2:Table input:数据表输入
实际上是视图方式输入,因为输入的是sql语句。当然,需要指定数据源(数据源的定制方式在后面讲一下)
3.1.3:Get system info:取系统信息
就是取一些固定的系统环境值,如本月最后一天的时间,本机的IP地址之类。
3.1.4:Generate Rows:生成多行。
这个需要匹配使用,主要用于生成多行的数据输入,比如配合Add sequence可以生成一个指定序号的数据列。
3.1.5:XBase Input:
3.1.6:Excel Input:
3.1.7:XML Input:
这三个没啥可讲的,看看参数就明了。
3.2:Output-Steps: 输出步聚
3.2.1:Text file output:文本文件输出。
这个用来作测试蛮好,呵呵。很方便的看到转换的输出。
3.2.2:Table output:输出到目的表。
3.2.3:Insert/Update:目的表和输入数据行进行比较,然后有选择的执行增加,更新操作。
3.2.4:Update:同上,只是不支持增加操作。
3.2.5:XML Output:
3.3:Look-up:查找操作
DataBase:
Stream:
Procedure:
Database join:
很简单,看看参数就明白了。
3.4:Transform 转换 (嗯,重点)
3.4.1:Select values: 对输入的行记录数据 的字段进行更改 (更改数据类型,更改字段名或删除)
数据类型变更时,数据的转换有固定规则,可简单定制参数。可用来进行数据表的改装。
3.4.2: Filter rows: 对输入的行记录进行 指定复杂条件 的过滤。
用途可扩充sql语句现有的过滤功能。但现有提供逻辑功能超出标准sql的不多。
3.4.3:Sort rows:对指定的列以升序或降序排序,当排序的行数超过5000时需要临时表。
3.4.4:Add sequence:为数据流增加一个序列,
这个配合其它Step(Generate rows, rows join),可以生成序列表,如日期维度表(年、月、日)。
3.4.5:Dummy:不做任何处理,主要用来作为分支节点。
3.4.6:Join Rows:对所有输入流做笛卡儿乘积。
3.4.7:Aggregate:聚合,分组处理,不推荐使用了,被Group by代替
3.4.8:Group by:分组
用途可扩充sql语句现有的分组,聚合函数。但我想可能会有其它方式的sql语句能实现。
3.4.9:Java Script value:使用mozilla的rhino作为脚本语言,并提供了很多函数,用户可以在脚本中使用这些函数。
3.4.10. Row Normaliser:该步骤可以从透视表中还原数据到事实表,
通过指定维度字段及其分类值,度量字段,最终还原出事实表数据。
3.4.11. Unique rows:去掉输入流中的重复行
在使用该节点前要先排序,否则只能删除连续的重复行。
3.4.12. Calculator:提供了一组函数对列值进行运算,
所介绍,使用该方式比用户自定义JAVA SCRIPT脚本速度更快。
3.4.13. Merge Rows:用于比较两组输入数据,一般用于更新后的数据重新导入到数据仓库中。
3.4.14. Add constants:增加常量值。
这个我没弄明白它的用法???
3.4.15. Row denormaliser:同Normaliser过程相反。
3.4.16. Row flattener:表扁平化处理
指定需处理的字段和扃平化后的新字段,将其它字段做为组合Key进行扃平化处理。
3.5:Extra:除了上述基本节点类型外还定义了扩展节点类型
3.5.1:SPLIT FIELDS, 按指定分隔符拆分字段
3.5.2:EXECUTE SQL SCRIPT,执行SQL语句
3.5.3:CUBE INPUT,
3.5.4:CUBE OUTPUT等。
这两个没明白是啥意思。
3.6:其它
存储方式: 与Chef相同。
数据源(Connection);见后。
Hops:setp连接起来,形成Hops。
Plugin step types等节点:这个没仔细看,不知如何制作Plugin step。
LogView:可查看执行日志。
四:Pan——转换的执行工具 命令行执行方式,可以执行由Spoon生成的转换任务。
同样,不支持调度。
参数与Kitchen类似,可参见Pan的文档。
五:其它 Connection:
可以配置多个数据源,在Job或是Trans中使用,这意味着可以实现跨数据库的任务。
支持大多数市面上流行的数据库。
个人感觉:(本人不成熟的看法) 1:转换功能全,使用简洁。作业项丰富,流程合理。
2:java代码,支持的数据源范围广,所以,跨平台性较好。
3:从实际项目的角度看,和其它开源项目类似,主要还是程序员的思维,缺少与实际应用项目(专业领域)的更多接轨,当然,项目实施者的专注点可能在于一个平台框架,而非实际应用(实际应用需要二次开发)。
4:看过了大多数源码,发现源码的可重用性不是太好(缺少大粒度封装),有些关键部分好象有Bug。
比如:个别class过于臃肿,线程实现的同步有问题。
5:提供的工具有些小错,如参数的容错处理。
好,对Kettle有了浅浅的了解,其它的容后再说。