1、KETTLE 介绍,1.1 什么是kettleKettle 是”kettle E.T.T.L Envirnonment”首字母缩写，这意味着设计实现ETL需要 ：抽取，转换，装入和加载数据。,Spoon 是一个图形用户界面，它允 许运行转换或者任务，其中转换是用pan工具来运行，任务是用Kitchen来运行。Pan 是一个数据转换引擎，它可以执行很多功能。例如从不同的数据源读取、操作和写入数据。Kitchen 是一个可以运行利用xml或数据资源库描述的任务，通常任务是在规定的时间间隔内用批处理的模式自动运行。,1.2 安装kettle 要运行Kettle ,必须按安装java 环境1.4或以上
2、版本，kettle下载可以到: http:/kettle.pentaho.org 取得最新版本。(pdi-ce-4.0.1-stable.zip),1.3 运行spoon 下面是不同平台上运行spoon 所支持的脚本 ： spoon.bat windows 平台运行Spoon. Spoon.sh linux 平台运行Spoon.,1.4 资源库 一个Kettle 资源库可以包含那些转换信息，这意味着为了从数据资源中加载一个转换，你必须连接相应的资源库。,1. 5 资源库自动登录,可以设置以下环境变量，来让 Spoon 自动登录资源库。 环境变量:KETTLE_REPOSITORY,KETTLE
3、_USER, KETTLE_PASSWORD,1.6 定义,1.6.1 转换 1. Value : Values 是行的一部分，且包含以下类型的数据: Strings, floating point Numbers 、 unlimited precision BigNumbers、Integers、 Dates 或者 Boolean.2. Row : 一行包含0个或者个Values3.Output Stream ： 一个Output Stream 是离开一个步骤时的行的堆栈。4 .Input Stream : 一个Input Stream 是进入一个步骤时的行的堆栈。5. Hop: 一个Hop
4、 代表两个步骤之间的一个或者多个数据流。一个Hop总是代 表着一个步骤的输出流和一个步骤的输入流。6. Note: 一个Note 是一个转换附加的文本注释信息。,1.6.2 任务1. Job Entry : 一个Job Entry 是一个任务的一部分，它执行某些内容。2. Hop: 一个Hop 代表两个步骤之间的一个或者多个数据流。一个Hop总是代 表着两个Job Entry 之间的连接，并且能够被原始的Job Entry设置，无 条件的执行下一个JobEntry,直到执行成功或者失败。3. Note: 一个Note 是一个任务附加的文本注释信息。,1.7选项 你可以改变很多选项来增强图形用户
5、界面的个性化。例如设置窗体的字体和颜色。此选项在 Tools/选项 中设置。,1.8搜索元数据,通过 编辑/搜索元数据(ctr+f) 来使用这个特性。,这个选项将在可用的字段、连接器、注释以及所有加载的任务和转换中搜索，并展示搜索的结果。,2 新建一个转换或任务,可以通过工具栏上的文件/新建/ 来建立一个转换或任务，也可以直接在主对象页签栏双击转换，新建一个转换。选择好需要创建的文件类型后，将会根据你的选择，创建一个图形界面。,转换 作业,3 数据库连接,一个连接描述了kettle连接数据库的方法，左边的菜单展示了所有可用的连接。,3.1 选项,1. Connection name :定义转换
6、或任务访问的连接的唯一名称，可自行设置，但不能为空。 2. Connection Type:连接的数据类型 3. Access: 可以是Native(JDBC),odbc, oci,jndi.一般选择JDBC 4. HostName: 指定数据库部署的主机或者服务器的名称，也可以指定IP地址。 5. DataBase Name :指定连接的数据库的名称,如果是ODBC方式就指定DSN名称。 6. port Number : 设定数据库监听的TCP/IP端口号 7. user Name / password : 指定连接数据库的用户名和密码,3.2 SQL 编辑器(SQL Editor),1.
7、描述Spoon 提供简单SQL 编辑器 ，可以实现创建表，删除索引或者修改字段。大多数的DDL，例如： create / alter table ,create index , create sequence 命令都可以通过SQL编辑器窗口运行。（新建转换，输出是表输出时，可打开SQL 编辑器）2. 局限性 这只是一个简单的SQL 编辑器，它不可能完全知道超过20种它所支持的数据库的方言。这意味着创建存储过程，触发器或者其他的数据库对象可能带来很多问题。在这种情况下，应考虑使用数据库自带的工具。,4.数据库浏览器,1. 描述数据库浏览器只显示可用的表,视图或者目录,5.新建一个转换,选择表输入
8、, excel 输出，建立节点连接。右击连接线，可编辑连线属性。,5.1常用输入：,表输入 Excel 输入 文本文件输入 XML 文件输入 CUBE 输入(多维数据集) 获取系统信息,5.2输入：表输入,选择表输入，点击鼠标右键，选择编辑步骤。 步骤名称可以更改，一般更改为和输入表相关的名称。 数据库连接 ： 选择一个已建好的数据库连接，也可以新建一个。 点击”获取SQL查询语句”,可弹出数据库浏览器，选择自己需要的表或视图。 选择好表或视图后，SQL 区域会显示相应的SQL，如选择在SQL里包含字段名，你所选择的表的所有字段均会显示. 在SQL区域用户可手动修改SQL语句。,5.3 输出：
9、Excel 输出,Excel 输出编辑步骤选项，有三个选项卡， 文件/内容/字段。 文件选项卡： 文件名选择输出文件保存的路径。 扩展名： 系统默认为xls. 内容选项卡： 一般不需做修改。 字段选项卡：点击获取字段，输入流中的字段全部会获取到，不需要的字段，可选中不需要的行，右键删除。,5.4 输出：插入/更新,插入/更新:若流里的数据在目标表中不存在，执行插入，否则执行更新，数据量不大的情况下，一般采用插入/更新操作。,5.5 输出：更新,这个步骤类似于插入/更新步骤，除了对数据不作插入操作之外。它仅仅执行更新操作。,5.6 输出：删除,这个步骤类似于更新步骤，除了不更新操作之外，其他的行
10、均被删除。,5.7 输出：表输出,这个步骤可以存取信息到数据库中,5.8 输出：XML输出,这个步骤允许你从源中写入行到一个或多个xml文件。,6.0 转换：去除重复记录,这个步骤从输入流中移除重复的记录 步骤名称 ： 在单一步骤中必须唯一 Redirect duplicate: 如果想知道多少重复行被去掉，就勾选此项。 字段名 ： 用来比较的字段的字段名称。,6.1 转换：排序记录,这个步骤利用你指定的字段排序行，无论他们是按照升序还是降序。 当行数超过5000行的时候，Kettle 使用临时文件来排序行。 排序目录：临时文件存储的目录，如果缺省则为标准的系统临时文件夹。 临时文件前缀：选择
11、一个容易记的前缀，以便在临时目录中查找。 压缩临时文件： 当需要完成排序的时候，这个选项将压缩临时文件。,6.2 转换：增加序列,这个步骤在流里增加一个序列，一个序列是在某个起始值 和增量的基础上，经常改变的整数值。可以使用数据库的序列，也可以使用kettle决定的序列 Kettle 序列在同一个转换中是唯一使用的，每一次转换运行的时候，序列的值又会重新循环一次,从开始值开始。 使用数据库获取序列: 连接名称 ： 选择数据库序列存在的 连接名称序列名称： 数据库序列的名称 使用计数器来计算序列： 如果想使用kettle生成的序列，使用此项。 计数器名称（可选）：如果一个转换中多个步骤生成同样的
12、值名称，这个选项允许你指定计数器的名称，避免按照先后顺序通过多个步骤。 起始值： 序列的起始值 增量 ： 序列的增量 最大值 ： 序列的最大值，如果超过，将重新开始,6.3 转换 ： 拆分字段,这个步骤允许根据分隔符来拆分之盾。 步骤名称：在单一转换中必须唯一 需要拆分的字段： 想要拆分的字段的名称。 分隔符： 决定字段结束的分隔符 字段 ： 拆分形成的字段列表。 例如： 某字段包含 ： (123,456,789) , 使用逗号(,)分割符，可将字段分成三个段。,7.0 Flow ： 空操作(什么也不做),这个操作说明都不做，它的主要作用是，在你想做测试的时候，充当一个占位符。,7.1 Flo
13、w ： 过滤记录,这个步骤根据条件和比较符来过滤记录。 发送true数据给步骤： 指定条件返回true的数据将发送到此步骤 发送false数据给步骤： 指定条件返回false 的数据将发送到此步骤。 True 和false 步骤必须指定。,7.2 Flow ： Abort(中止),这个步骤允许你在观察输入的时候中止步骤，它的主要用途是错误处理，在一定数量的行流过错误的连接时中止转换。 失败阀值： 中止转换的开始行数。如果设置为0，在第一行的时候，步骤将被中止。 失败信息：中止的时候放入日志文件的消息，如果没有输入就使用缺省消息。 总是记录行数： 中止步骤总是记录处理的行数。,7.3 Flow
14、：Blocking Step（被冻结的步骤）,这是一个非常简单的步骤，它冻结所有的输出，直到从上一个步骤来的最后一行数据到达，最后 一行数据将发送到下一步。 你可以使用这个步骤触发常用插件、存储过程和js等等。,8.0 连接 ：Merge Join(合并排序),这个步骤将来自两个不同的步骤输入的数据执行一个高效的合并。合并选项包括INNER ，LEFT OUTER , RIGHT OUTER, FULL OUTER. 这个步骤将输入的行按照指定的字段存储 被合并的两个步骤，必须按照相同的段进行排序。,8.1 连接 ：合并记录,这个步骤允许你比较两个行流。如果想在两个不同的时间比较数据，这是非常
15、有用的。它常被用于数据仓库源系统没有包含最后更新日期的情况。 两个行流被合并，一个是引用流(旧数据)，一个是比较流（新数据），每次都是行里的最后版本通过进入下一步骤，行有以下标记： “Identical” : 关键字在两个流中都存在，并且值相同 “changed” : 关键字在两个流中都存在，但一个或更多的值不同 “new” : 引用流中没有找到关键字 “deleted”: 比较流中没有找到关键字。 比较流中的数据进入下一步骤，除非在”删除”的情况。,9.0 作业 核心对象,1. 通用 (1). START : start是任务执行的入口，首先必须是任务可以执行。只有无条件的任务条目可以从start 入口连接。 (2) job ： 另外一个Job. (3) Success (4) Transformation ： 选择一个已经存在的 .ktr文件。 (5) dummy : (6) set variables,9.1 作业 核心对象,右击start，选择编辑作业入口，可设置定时。如下图所示。 在job中使用Dummy 条目将什么也不做，这可以使一个任务更清晰的展示，或者在执行循环中使用。,
