168大数据
标题: 开源ETL工具：Kettle [打印本页]
作者: 乔帮主 时间: 2014-9-25 16:13
标题: 开源ETL工具：Kettle
Kettle也叫PDI，在2006年Kettle加入了开源的BI组织Pentaho，正式命名为PDI，英文全称为Pentaho Data Integeration。Kettle是“Kettle E.T.T.L. Envirnonment”只取首字母的缩写，这意味着它被设计用来帮助你实现你的ETTL需要：抽取、转换、装入和加载数据；翻译成中文名称应该叫水壶，名字的起源正如该项目的主程序员MATT在一个论坛里说的那样：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允许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，转换（transformation）和工作（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整体结构图：
Kettle的术语：
- Transformation：转换步奏，可以理解为将一个或者多个不同的数据源组装成一条流水线。然后最终输出到某一个地方，文件或者数据库等。
- Job：作业，可以调度设计好的转换，也可以执行一些文件处理（比较，删除），还可以上传下载文件、发送邮件、执行Shell命令等。 Job与Transformation的差别是：Transformation专注于数据的ETL，而Job的范围比较广，可以是Transformation，也可以是Mail、SQL、Shell、FTP等等，甚至可以是另外一个Job。
- Hop：连接Transformation步骤或者连接Job（实际上就是执行顺序）的连线。
- Transformation hop：主要表示数据的流向。从输入，过滤等转换操作，到输出。
- Job hop：可设置执行条件：无条件执行、当上一个Job执行结果为true时执行、当上一个Job执行结果为false时执行
Kettle家族目前包括4个产品：Spoon、Pan、CHEF、Kitchen。
- SPOON 允许你通过图形界面来设计ETTL转换过程（Transformation）。
- PAN 允许你批量运行由Spoon设计的ETL转换 (例如使用一个时间调度器)。Pan是一个后台执行的程序，没有图形界面。
- CHEF 允许你创建任务（Job）。 任务通过允许每个转换，任务，脚本等等，更有利于自动化更新数据仓库的复杂工作。任务通过允许每个转换，任务，脚本等等。任务将会被检查，看看是否正确地运行了。
- KITCHEN 允许你批量使用由Chef设计的任务 (例如使用一个时间调度器)。KITCHEN也是一个后台运行的程序。
简单的可理解为：
- Spoon：Transformation设计工具（GUI方式）
- Pan：Transformation执行器（命令行方式）
- Chef：Job设计工具（GUI方式）
- Kitchen：Job执行器（命令行方式）
Kettle是由纯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。要运行kettle工具必须安装Sun公司的JAVA运行环境，安装好java环境后，在操作系统环境变量path中配置jre路径，把kettle工具压缩包解压后可直接使用。Spoon是一个图形用户界面，它允许你运行转换或者任务，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。下面是在不同的平台上运行 Spoon所支持的脚本：
- Spoon.bat：在windows 平台运行Spoon。
- Spoon.sh：在 Linux、Apple OSX、Solaris 平台运行 Spoon。
资源库是用来保存转换任务的，用户通过图形界面创建的的转换任务可以保存在资源库中。资源库可以使多用户共享转换任务，转换任务在资源库中是以文件夹形式分组管理的，用户可以自定义文件夹名称。资源库有两种形式：
- Kettle database repository，即保存在各种常见的数据库资源库类型，用户通过用户名/密码来访问资源库中的资源，默认的用户名/密码是admin/admin和guest/guest。
- Kettle file repository，保存在服务器硬盘文件夹内的资源库类型，此类型的资源库无需用户进行登录，直接进行操作。
资源库并不是必须的，如果没有资源库，用户还可以把转换任务保存在xml文件中。为了方便管理，建议用户建立并使用数据库类型资源库Kettle database repository。
Kettle的应用场景：
- 表视图模式：在同一网络环境下，对各种数据源的表数据进行抽取、过滤、清洗等，例如历史数据同步、异构系统数据交互、数据对称发布或备份等都归属于这个模式；传统的实现方式一般都要进行研发（一小部分例如两个相同表结构的表之间的数据同步，如果SQL Server数据库可以通过发布/订阅实现）。
- 前置机模式：这是一种典型的数据交换应用场景，数据交换的双方A和B网络不通，但是A和B都可以和前置机C连接，一般的情况是双方约定好前置机的数据结构，这个结构跟A和B的数据结构基本上是不一致的，这样我们就需要把应用上的数据按照数据标准推送到前置机上，此时可通过Kettle实现；
- 文件模式: 数据交互的双方A和B是完全的物理隔离，这样就只能通过以文件的方式来进行数据交互了，例如XML格式，在应用A中我们开发一个接口用来生成标准格式的XML，然后用介质在某一时间把XML数据拷贝之后，然后接入到应用B上，应用B上在按照标准接口解析相应的文件把数据接收过来；
Kettle转化功能介绍
- Kettle 中有两种脚本文件，transformation (.ktr)和 job(.kjb)，transformation 完成针对数据的基础转换，job 则完成整个工作流的控制。
- 所有功能支持控件化，使用简单
- 支持多样化数据源类型：
- 基本的文本文件
- Access、Excel、XML、Property文件格式
- MDX查询语言、 Cube文件、Streaming XML数据流
- 自动产生空记录或者行
- 从XBase类型文件(DBF)读取数据
- 关系型数据库
- 获取系统信息如文件名称、系统时间等
- 特殊目标数据源支持
- 支持多种查询
- 调用数据库存储过程
- 基本的数据库查询
- 判断表以及列、操作系统文件是否存在
- 从URL接收查询
- 使用Web服务查询信息
- 使用数据流中的值作为参数来执行一个数据库查询
- 流查询：从转换中其他流里查询值
- 转换功能
- 支持的脚本
- 支持渐变维度更新
- 批量加载：
- Greenplum Bulk Loader
- Oracle Bulk Loader
- MSSQL Bulk Loader
- MYSQL Bulk Loader
- PostgreSQL Bulk Loader
- 支持分区表和集群
- 支持大数据对接
- Avro Input
- Cassandra Input &
Kettle作业功能介绍
- 可以执行操作系统命令和操作：
- Ping 主机
- 写日志
- 发送邮件
- 从POP Server获取邮件并保存在本地
- 比较文件夹、文件
- 创建、复制、移动、删除、压缩文件
- 从HTTP获取或者上传文件
- 操作延迟等待
- 判断文件是否存在
- 执行JavaScript、SQL、Shell脚本
- 支持安全FTP获取、上传文件
- 删除远程文件
- 支持SSH2上传下载
Kettle的功能非常强大，数据抽取效率也比较高，开源产品，可以进行第三方修改，工具中的控件能够实现数据抽取的大部分需求。所有功能支持控件化，使用简单。
| 欢迎光临 168大数据 (http://www.bi168.cn/) |
Powered by Discuz! X3.2 |
