本期与大家分享的是，小北精心整理的大数据学习笔记，数据采集工具Kettle 的详细介绍

一、Kettle概述

1、什么是kettle

Kettle是一款开源的ETL工具，底层是纯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

kettle集成java kettle集成_bigdata


4、Kettle的组成

kettle集成java kettle集成_Kettle_02


5、kettle特点

kettle集成java kettle集成_bigdata_03

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

Kettle简单使用

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kettle_test数据库，并创建两张表

create database kettle_test;

use kettle_test;

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

进入Kettle主界面：

kettle集成java kettle集成_kettle集成java_04


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：

kettle集成java kettle集成_kettle集成java_05


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

kettle集成java kettle集成_数据集成工具_06


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

kettle集成java kettle集成_数据集成工具_07


转换之前，需要做保存

kettle集成java kettle集成_数据集成工具_08


执行成功之后，可以在mysql查看，stu2的数据

kettle集成java kettle集成_数据集成工具_09

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

kettle集成java kettle集成_数据集成工具_10


3、双击Start编辑Start

kettle集成java kettle集成_kettle集成java_11


4、双击转换，选择案例1保存的文件

kettle集成java kettle集成_数据库_12


5、在mysql的stu1中插入一条数据，并将stu2中id=1001的name改为wukong

kettle集成java kettle集成_bigdata_13


6、双击SQL脚本编辑

kettle集成java kettle集成_数据库_14


7、加上Dummy，如图所示：

kettle集成java kettle集成_Kettle_15


8、保存并执行

kettle集成java kettle集成_Kettle_16


9、在mysql数据库查看stu2表的数据

kettle集成java kettle集成_数据库_17

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

kettle集成java kettle集成_kettle集成java_18

点击主界面右上角connect，选择Other Resporitory

kettle集成java kettle集成_数据集成工具_19


选择Database Repository

建立新连接

kettle集成java kettle集成_数据库_20

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

kettle集成java kettle集成_bigdata_21


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

  • 点击 ->文件->选择从xml文件导入
  • 点击保存，选择存储位置及文件名

    • kettle集成java kettle集成_bigdata_22

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

    • kettle集成java kettle集成_kettle集成java_23

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Kettle安装使用

1、单机模式

  • 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）

  • 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
http://master:8080

五、Kettle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)。