ETL之Kettle

Kettle是一款国外开源的ETL工具，纯java编写，可以在Window、Linux、Unix上运行。

　　说白了就是，很有必要去理解一般ETL工具必备的特性和功能，这样才更好的掌握Kettle的使用。我这里啊，先描述ETL工具的通用功能，再来描述作为ETL工具其中的一种（Kettle）是如何来提供这些功能的（图文详解）

ETL工具的功能之一：连接

　　任何ETL工具都应该有能力连接到类型广泛的数据源和数据格式。对于最常用的关系型数据库系统，还要提供本地的连接方式（如对于Oracle的OCI），ETL应该能提供下面最基本的功能：

　　（1）连接到普通关系型数据库并获取数据，如常见的Orcal、MS SQL Server、IBM DB/2、Ingres、MySQL和PostgreSQL。还有很多很多

　　（2）从有分隔符和固定格式的ASCII文件中获取数据

　　（3）从XML文件中获取数据

　　（4）从流行的办公软件中获取数据，如Access数据库和Excel电子表格　　

　　（5）使用FTP、SFTP、SSH方式获取数据（最好不用脚本）

　　（6）还能从Web Services 或 RSS中获取数据。如果还需要一些ERP系统里的数据，如Oracle E-Business Suite、SAP/R3、PeopleSoft 或 JD/Edwards，ETL工具也应该提供到这些系统的连接。

　 （7）还能提供Salesforce.com和SAP/R3的输入步骤，但不是套件内，需要额外安装。对于其他ERP和财务系统的数据抽取还需要其他解决方案。当然，最通用的方法就是要求这些系统导出文本格式的数据，将文本数据作为数据源。

ETL工具的功能之二：平台独立

　　一个ETL工具应该能在任何平台下甚至是不同平台的组合上运行。一个32位的操作系统可能在开发的初始阶段运行很好，但是当数据量越来越大时，就需要一个更强大的操作系统。另一种情况，开发一般是在Windows或 Mac机上运行的。而生产环境一般是Linux系统或集群，你的ETL解决方案应该可以无缝地在这些系统间切换。

ETL工具的功能之三：数据规模

　　一般ETL能通过下面的3种方式来处理大数据。

　　并发：ETL过程能够同时处理多个数据流，以便利用现代多核的硬件架构。

　　分区：ETL能够使用特定的分区模式，将数据分发到并发的数据流中。

　　集群：ETL过程能够分配在多台机器上联合完成。

　　Kettle是基于Java的解决方案，可以运行在任何安装了Java虚拟机的计算机上（包括Windows、Linux和Mac）。转换里的每个步骤都是以并发的方式来执行，并且可以执行多次，这样加快了处理速度。

　　Kettle在运行转换时，根据用户的设置，可以将数据以不同的方式发送到多个数据流中（有两种几本发送方式：分发和复制）。分发类似与分发扑克牌，以轮流的方式将每行数据只发给一个数据流，复制是将每行数据发给所有数据流。

　　为了更精确控制数据，Kettle还使用了分区模式，通过分区可以将同一特征的数据发送到同一个数据流。这里的分区只是概念上类似于数据库的分区。

　　Kettle并没有针对数据库分区有什么功能。

　　 至于Kettle的扩展集群，这个很简单理解，不多赘述。

ETL工具的功能之四：设计灵活性

　　一个ETL工具应该留给开发人员足够的自由度来使用，而不能通过一种固定的方式来限制用户的创造力和设计的需求。ETL工具可以分为基于过程的和基于映射的。

　　基于映射的功能只在源数据和目的数据之间提供了一组固定的步骤，严重限制了设计工作的自由度。基于映射的工具一般易于使用，可快速上手，但是对于更复杂的任务，基于过程的工具才是组好的选择。

　　 使用Kettle这样基于过程的工具，根据实际的数据和也许需求，可以创建自定义的步骤和转换。

ETL工具的功能之五：复用性

　　设计完的ETL转换应该可以被复用，这是非常重要的。复制和粘贴已经存在的转换步骤是最常见的一种复用，但这不是真正意义上的复用。

　　Kettle里有一个映射（子转换）步骤，可以完成转换的复用，该步骤可以将一个转换作为其他转换的子转换。另外转换还可以在多个作业里多次使用，同样作业也可以为其他作业的子作业。

　ETL工具的功能之六：扩展性

　　大家都知道，几乎所有的ETL工具都提供了脚本，以编程的方式来解决工具本身不能解决的问题。另外，还有少数几款ETL工具可以通过API或其他方式为工具增加组件。使用脚本语言写函数，函数可以被其他转换或脚本调用。

　　Kettle提供了上述的所有功能。Java脚本步骤可以用来开发Java脚本，把这个脚本保存为一个转换，再通过映射（子转换）步骤，又可以变为一个标准的可以复用的函数。实际上，并不限于脚本，每个转换都可以通过这种映射（子转换）方式来复用，如同创建了一个组件。Kettle在设计上就是可扩展的，它提供了一个插件平台。这种插件架构允许第三方为Kettle平台开发插件。

　　大家要清楚，Kettle里的所有插件，即使是默认提供的组件，实际上也都是插件。内置的第三方插件和Pentaho插件的唯一区别就是技术支持。

　　假设你买了一个第三方插件（例如一个SugarCRM的连接），技术支持由第三方提供，而不是由Pentaho提供。

　ETL工具的功能之七：数据转换

　　ETL项目很大一部分工作都是在做数据转换。在输入和输出之间，数据要经过校验、连接、分隔、合并、转置、排序、合并、克隆、排重、过滤、删除、替换或者其他操作。在不同机构、项目和解决方案里，数据转换的需求都大不相同，所以很难说清一个ETL工具最少应该提供哪些转换功能。但是呢，常用的ETL工具（包括Kettle）都提供了下面一些最基本的整合功能：

　　　　缓慢变更维度　　　　

　　　　查询值

　　　　行列转换

　　　　条件分隔

　　　　排序、合并、连接

　　　　聚集

ETL工具的功能之八：测试和调试

　　这个很简单，不多赘述，后续博客有实战。

ETL工具的功能之九：血统分析和影响分析

　　任何ETL工具都应该有一个重要的功能：读取转换的元数据，它是提取由不同转换构成的数据流的信息。

　　血统分析和影响分析是基于元数据的两个相关的特性。

　　血统是一种回溯性的机制，它可以查看到数据的来源。

　　影响分析是基于元数据的另一种分析方法，可以分析源数据对随后的转换以及目标表的影响。

ETL工具的功能之十：日志和审计

　　　数据仓库的目的就是要提供一个准确的信息源，因此数据仓库里的数据应该是可靠的、可信任的。为了保证这阵可靠性，同时保证可以记录下所有的数据转换操作，ETL工具应该提供日志和审计功能。

　　   日志可以记录下在转换过程中执行了哪些步骤，包括每个步骤开始和结束时间戳。

　　   审计可以追踪到对数据做的所有操作，包括读行数、转换行数、写行数。