采用Kettle分页处理大数据量抽取任务

作者：Grey

原文地址： http://greyzeng.com/2016/10/31/big-data-etl/

需求：

将Oracle数据库中某张表历史数据导入MySQL的一张表里面。

源表（Oracle）：table1

目标表（MySQL）：table2

数据量：20,000,000

思路：

由于服务器内存资源有限，所以，无法使用Kettle一次性从源表导入目标表千万级别的数据，考虑采用分页导入的方式来进行数据传输，即：

根据实际情况设置一个每次处理的数据量，比如：5,000条，然后根据总的数据条数和每次处理的数据量计算出一共分几页，

假设总数据量有：20,000,000，所以页数为：20,000,000/5,000=4,000页

注: 若存在小数，小数部分算一页，比如：20.3算21页

步骤：

根据需求的条件，首先对数据进行分页：

数据量：20,000,000

每页数据量：5,000

页数：4,000

源表（Oracle）：table1

目标表（MySQL）：table2

主流程：transfer_table1_to_table2.kjb

流程说明：
transfer_table1_to_table2.kjb: 主流程

build_query_page.ktr: 构造页数游标

loop_execute.kjb: 根据页数来执行数据导入操作

我们分别来看各个部分的构成：

build_query_page.ktr: 构造页数游标

这一步中，我们需要构造一个类似这样的数据结构：

其中P_PAGE是表头，其余为页码数，

注: 在这里取页码数我通过这个表的rownum来构造

SQL：

select
rownum
as P_PAGE from mds.mds_balances_hist where
rownum<=4000

具体实现如下图：

loop_execute.kjb: 根据页数来执行数据导入操作

在上一步中，我们构造了页数，在这步中，我们遍历上一步中的页码数，通过页码数找出相应的数据集进行操作，

其中包括set_values.ktr和execute_by_page.ktr两个转换

loop_execute.kjb具体实现如下：

set_values.ktr：表示获取从上一步中获得的页数

execute_by_page.ktr：表示根据页数进行数据导入操作

其中query_by_page采用Oracle经典三层嵌套分页算法：

SELECT b.rn,b.* FROM

(

SELECT A.*, ROWNUM RN

FROM (SELECT * FROM table1) A

WHERE
ROWNUM <= (${VAR_P_PAGE}*5000)

) b

WHERE RN >= ((${VAR_P_PAGE}-1)*5000+1)

注: ${VAR_P_PAGE}为每次获取的页码数。

select_field为设置需要导入的列名：

output_target目的是输出到目标表table2：

因为要遍历上一次执行的结果，那么需要在transfer_table1_to_table2.kjb的loop_execute.kjb中做如下设置：

最后，执行transfer_table1_to_table2.kjb即可。

总结：

通过上述方法，我们可以很好的解决内存不足的情况下，大数据量在不同的数据库之间的导入工作。

FAQ：

• 在Kettle导入大量数据的过程中，可能会出现连接断开的现象：

http://forums.pentaho.com/showthread.php?74102-MySQL-connection-settings-at-java-level

(Idle connection timeout if we keep kettle idle for 8hours).

解决办法：