kettle使用

Kettle的安装及简单使用

目录

• Kettle的安装及简单使用
  • 一、kettle概述
  • 二、kettle安装部署和使用
    • Windows下安装
    • 案例1：MySQL to MySQL
    • 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
    • 案例3：将hive表的数据输出到hdfs
    • 案例4：读取hdfs文件并将sal大于1000的数据保存到hbase中
  • 三、创建资源库
    • 1、数据库资源库
    • 2、文件资源库
  • 四、 Linux下安装使用
    • 1、单机
    • 2、 集群模式
    • 案例：读取hive中的emp表，根据id进行排序，并将结果输出到hdfs上
  • 五、调优

一、kettle概述

1、什么是kettle

Kettle是一款开源的ETL工具，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

4、Kettle的组成

5、kettle特点

---

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

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testkettle数据库，并创建两张表

create database testkettle;

use testkettle;

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

主界面：

在kettle中新建转换--->输入--->表输入-->表输入双击

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：

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

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

转换之前，需要做保存

执行成功之后，可以在mysql查看，stu2的数据

mysql> select * from stu2;
+------+----------+
| id   | name     |
+------+----------+
| 1001 | zhangsan |
| 1002 | lisi     |
| 1003 | wangwu   |
+------+----------+
3 rows in set (0.00 sec)

---

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

3、双击Start编辑Start

4、双击转换，选择案例1保存的文件

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

mysql> insert into stu1 values(1004,'stu1',22);
Query OK, 1 row affected (0.01 sec)

mysql> update stu2 set name = 'wukong' where id = 1001;
Query OK, 1 row affected (0.00 sec)
Rows matched: 1  Changed: 1  Warnings: 0

6、双击SQL脚本编辑

7、加上Dummy，如图所示：

8、保存并执行

9、在mysql数据库查看stu2表的数据

mysql> select * from stu2;
+------+----------+
| id   | name     |
+------+----------+
| 1001 | zhangsan |
| 1002 | lisi     |
| 1003 | wangwu   |
| 1004 | stu1     |
| 1005 | kettle   |
+------+----------+
5 rows in set (0.00 sec)

---

案例3：将hive表的数据输出到hdfs

1、因为涉及到hive和hbase（后续案例）的读写，需要修改相关配置文件

修改解压目录下的data-integration\plugins\pentaho-big-data-plugin下的plugin.properties，设置active.hadoop.configuration=hdp26，26是指用hdp26文件夹里面的配置，从我们的hadoop，hive，hbase中将这些配置拷贝到data-integration\plugins\pentaho-big-data-plugin\hadoop-configurations\hdp26下

2、启动hadoop集群、hiveserver2服务

​ 可以用来监控日志

3、进入hive shell，创建kettle数据库，并创建dept、emp表

create database kettle;

use kettle;

CREATE TABLE dept(
    deptno int,
    dname string,
    loc string
) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';

CREATE TABLE emp(
    empno int,
    ename string,
    job string,
    mgr int,
    hiredate string,
    sal double,
    comm int,
    deptno int
) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';

4、插入数据

insert into dept values(10,'accounting','NEW YORK'),(20,'RESEARCH','DALLAS'),(30,'SALES','CHICAGO'),(40,'OPERATIONS','BOSTON');

insert into emp values(7369,'SMITH','CLERK',7902,'1980-12-17',800,NULL,20),(7499,'ALLEN','SALESMAN',7698,'1980-12-17',1600,300,30),(7521,'WARD','SALESMAN',7698,'1980-12-17',1250,500,30),(7566,'JONES','MANAGER',7839,'1980-12-17',2975,NULL,20);

5、按下图建立流程图

• 表输入

• 表输入2

• 排序记录

• 记录集连接

• 字段选择

• 文本文件输出

6、保存并运行查看hdfs

• 运行

• 查看HDFS文件

---

案例4：读取hdfs文件并将sal大于1000的数据保存到hbase中

1、在HBase中创建一张people表

hbase(main):004:0> create 'people','info'

2、按下图建立流程图

• 文本文件输入

• 设置过滤记录

• 设置HBase output

  编辑hadoop连接，并配置zookeeper地址

• 执行转换

• 查看hbase people表的数据

  scan 'people'
  

  注意：若报错没有权限往hdfs写文件，在Spoon.bat中第119行添加参数

  "-DHADOOP_USER_NAME=root" "-Dfile.encoding=UTF-8"

---

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

  mysql> create database kettle;
  Query OK, 1 row affected (0.01 sec)
  

• 点击右上角connect，选择Other Resporitory

• 选择Database Repository

• 建立新连接

• 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

• 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

  • 选择从xml文件导入

    

  • 点击保存，选择存储位置及文件名

  

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

    

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下安装使用

1、单机

• 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

---

案例：读取hive中的emp表，根据id进行排序，并将结果输出到hdfs上

注意：因为涉及到hive和hbase的读写，需要修改相关配置文件。

修改解压目录下的data-integration\plugins\pentaho-big-data-plugin下的plugin.properties，设置active.hadoop.configuration=hdp26，并将如下配置文件拷贝到data-integration\plugins\pentaho-big-data-plugin\hadoop-configurations\hdp26下

• 创建转换，编辑步骤，填好相关配置

  直接使用trans1

• 创建子服务器，填写相关配置，跟集群上的配置相同

• 创建集群schema，选中上一步的几个服务器

  

• 对于要在集群上执行的步骤，右键选择集群，选中上一步创建的集群schema

  

• 创建Run Configuration,选择集群模式

  

• 直接运行，选择集群模式运行

---

五、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)。