ETL优化

ETL优化

Extract、Transform、Load,对异构数据源进行数据处理。

设立基线标准，根据硬盘、网络传输速度，多测测量得到数据量（m）/时间（s）的比值，找线性关系。建立基线作为调试和优化的依据，避免人为主观判断。例如经过优化后，性能比基线提高了2%。

1. 数据库优化

1.1 数据库配置

配置连接池

优化数据库配置参数

2. SQL优化

2.1  数据库索引

　　索引作用在于查询时提高效率，这是以降低插入、修改和删除操作的性能为代价。考虑插入数据前删除索引，插入完成后再创建索引。

2.2 优化查询语句

SQL优化

3.ETL优化

3.1 提高Commit size

　　具体数值可以根据性能监控的记录来确定

3.2 尽量不要使用Insert/Update组件

　　正常情况下在几百条每秒（对比TableInsert几万的速度）

3.3 减少分组排序组件

　　排序和分组的操作会在这一步阻塞KTR的执行，直到接收到前面所有步骤传过来的数据为止，导致ETL的运行时间增长，占用的内存增大。

3.4 调整步骤之间的缓存

　　在性能监测时，这也是一个用来找到瓶颈的核心参数。如果某一步的输入和配置的缓存大小接近，但是输出很小，那么这一步就是性能的瓶颈。如果缓存大小配置了10000,但是几乎所有步骤的输入输出都只有很低的一个值，比如50,那么，性能的瓶颈就是输入。

3.5 延迟转化

　　很多字段在读入到最后输出，实际上都没有被操作过，开启延迟转化可以让kettle在必要的时候再进行转化。这里的转化是指从二进制到字符串之间的转化，在输入和输出都是文本的时候更为明显。事实上，Select Values在转化的效率上也高于读取时直接转化。

3.6 复制并行处理

在需要并行处理的步骤上，选择Change Number of Copies to Start, 修改这个值为小于机器核心总数的一个值，一般2〜4就可以满足要

3.7 减少步骤的数量

3.8 Select Values慎删除字段

4. 其他优化

• 使用Carte管理KJB和KTR减小内存消耗
• 使用定时器定时处理
• 使用集群并行运行
• 使用数据仓库及缓慢更新进行同步增量更新