ETL开源工具,Kettle使用方法.docx

ETL开源工具，Kettle使用方法简介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，绿色无需安装，数据抽取高效稳定。Kettle 中文名称叫水壶，该项目的主程序员MATT 希望把各种数据放到一个壶里，然后以一种指定的格式流出。Kettle这个ETL工具集，它允许你管理来自不同数据库的数据，通过提供一个图形化的用户环境来描述你想做什么，而不是你想怎么做。Kettle中有两种脚本文件，transformation和job，transformation完成针对数据的基础转换，job则完成整个工作流的控制。Kettle可以在/网站下载到。注：ETL，是英文 Extract-Transform-Load 的缩写，用来描述将数据从来源端经过萃取（extract）、转置（transform）、加载（load）至目的端的过程。ETL一词较常用在数据仓库，但其对象并不限于数据仓库。下载和安装首先，需要下载开源免费的pdi-ce软件压缩包，当前必威体育精装版版本为5.20.0。下载网址：/projects/pentaho/files/Data%20Integration/然后，解压下载的软件压缩包：pdi-ce--209.zip，解压后会在当前目录下上传一个目录，名为data-integration。由于Kettle是使用Java开发的，所以系统环境需要安装并且配置好JDK。?Kettle可以在/网站下载?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。运行Kettle进入到Kettle目录，如果Kettle部署在windows环境下，双击运行spoon.bat或Kettle.exe文件。Linux用户需要运行spoon.sh文件，进入到Shell提示行窗口，进入到解压目录中执行下面的命令：# chmod +x spoon.sh# nohup ./spoon.sh 后台运行脚本这样就可以打开配置Kettle脚本的UI界面。Kettle的简单使用首先，点击“文件—新建—转换”菜单创建一个转换。我们可以看到转换的主对象数和核心对象区域，然后我们添加一个DB连接。选择“注对象数”，双击“转换2”标签下的“DB连接”会弹出一个设置窗口。填入连接名称，选择连接类型，配置数据库设置，然后测试下配置是否正确。由于Kettle没有将所有的数据库的Driver文件集成，所以如果想连接指定的数据库，需要自己下载JDBC驱动，放入到解压目录下的lib目录中。添加完JDBC驱动后，必须重启下Kettle才能加载驱动。1）Oracle的JDBC驱动：ojdbc6.jar2）MySQL的JDBC驱动：mysql-connector-java-5.1.32.jar注：在转换之前需要创建转换所需的表，原始表和转换的目标表。点击“核心对象”标签页中的“输入”，选择“表输入”拖到“转换”区域。双击“表输入”图标弹出表输入对话框，填入步骤名称，选择数据库连接，点击“获取SQL查询语句”，或者直接写入SQL语句，填写附件信息，点击“预览”按钮查看执行结果，没有错误，点击“确认”关闭对话框。点击“核心对象”—“输出”，选择“Excel输出”拖入到转换区，双击Excel输出图标，弹出对话框，选择文件名和其它附加参数，点击确认。点击输入表的图标，同时按下shift键，再点击输出文件，将两者连接起来。然后双击Excel输出进行配置。最后一步就是执行kettle脚本，点击工具栏上的绿色箭头即可。点击“启动”开始转换，在转换过程中会出现转换的信息，如下图所示。完成转换后，我们可以Excel输出目录中查看转换结果。注：时间字段换到Excel为空，修改SELECT语句中使用TO_CHAR转换成字符串，例如：TO_CHAR(START_TIME, yyyy-mm-dd HH24:MM:SS) AS START_TIME。注：Excel中的记录不能超过65535条，否则会自动关闭文件，导致转换失败。上面是一个简单的数据迁徙脚本，从数据库导出数据到EXCEL文件中。Kettle处理HBase本教程使用的软件版本信息如下：1）Hadoop（1.2.1）2）Pantaho Data Integration（5.2.0）3）HBase（0.94.19）。Pentaho Shim（社区版）目前支持的Hadoop版本：参考：/display/BAD/Configuring+Pentaho+for+your+Hadoop+Distro+and+Version注：从上表中看出它不支持hadoop 1.2.x版本。解决办法是使用HDP13的插件（基于hadoop-1.0.3/hbase-0.94.6）替代，步骤如下：1）从/50-hdp12