Kettle基本使用

Kettle的几个子程序的功能和启动方式

Spoon.bat　　　　图形界面方式启动作业和转换设计器。

Pan.bat　　　　　命令行方式执行转换。

Kitchen.bat　　　命令行方式执行作业。

Carte.bat　　　　启动web服务，用于Kettle的远程运行或集群运行。

Encr.bat　　　　　密码加密。

转换和作业

Kettle的Spoon.bat设计器用来设计转换（Transformation）和作业（job）。

转换主要是针对数据的各种处理，一个转换里可以包含多个步骤（Step）。
作业是比转换更高一级的处理流程，一个作业里包括多个作业项（Job Entry），一个作业项代表了一项工作，转换也是一个工作项。

###输入、输出、转换、过滤、字段选择、连接###

Kettle资源库—元数据

元数据的通用概念：

“描述性数据”或“数据的数据”

ETL的元数据：

描述ETL要执行的任务

在Kettle里元数据的存储方式：

资源库

　　　　资源库宝库文件资源库，数据库资源库

　　　　Kettle资源库类型可以插件扩展

XML文件

　　　　.ktr转换文件的XML的根节点必须是<transformation>

　　　　.kjb作业XML的根节点是<job>

Kettle资源库—资源库类型

数据库资源库：

把Kettle的元数据串行化到数据库中，如R_TRANSFORMATION表保存了Kettle转换的名称、描述等属性。
在Spoon里创建和升级数据资源库

文件资源库：

　　在文件的基础上的封装，实现了org.pentaho.di.respositpory.Repository接口。

　　是Kettle4.0以后版本里增加的资源库类型

不使用资源库：

　　直接保存为 ktr 或 kjb 文件。

Kettle资源库—如何选择资源库？

数据库资源库的缺点：

不能存储转换或作业的多个版本。
严重依赖于数据库的锁机制来防止工作丢失。
没有考虑到团队，开发人员不能锁住某个作业自己开发。

文件资源库的缺点：

对象（如转换、作业、数据库连接等对象）之间的关联关系难以处理，所以删除，重命名等操作会比较麻烦。
没有版本历史。
难以进行团队开发。

不使用资源库：

　　使用SVN进行文件版本控制。

参考：

Kettle企业资源库：基于Apache Jackrabbit 的CMS系统。

Kettle资源库—管理资源库

ETL开发的几个阶段：

开发、测试、确认、发布

各个阶段对应的资源库：

开发资源库、测试（确认）资源库、发布资源库

各阶段推进

1.从开发资源库带测试资源库：

　　注意命名规则。

　　由一个人统一发布，避免冲突。

　　两种移植方法：断开重连、导入/导出。

2.从测试（确认）资源库到发布资源库：导入/导出

不使用资源库

　　SVN版本控制，测试打tag，发布建branch　

Kettle资源库—参数化

为什么要参数化：

　　在资源库之间移植作业时，因为各个阶段的环境不一样，在作业里使用的数据库连接等元数据不能硬编码。

参数化的几个方法：

kettle.properties，文件位于java的user.home目录下
自定义properties文件，通过属性文件输入步骤读取。
使用参数表

参数表的结构

Environment　　parameter_name　　parameter_value　　valid_from　　valid_to

Dev　　　　　　host_name　　　　 localhost　　　　　　2011-01-01　2099-01-01

Test　　　　　　host_name　　　　 192.168.12.10　　　 2011-01-01　2013-05-01

Test　　　　　　hose_name　　　　192.168.12.11　　　　2011-05-02　2099-01-01

Kettle运行方式—几中运行方式

图形化界面：Spoon

命令行：Pan、Kitchen

API：Kettle Java API 嵌入到其它应用

Kettle运行方式—Spoon

本地：在本地执行

远程：在远程服务执行，需要远程服务器执行Carte。

Carte是内嵌Jetty的 http server。
Carte执行命令 carte localhost 80080

集群：在集群上执行，需要转换里的某个步骤实现设置为集群方式运行。