168大数据

标题: 开源ETL工具之Kettle介绍 [打印本页]
作者: 168主编    时间: 2019-11-7 11:35
标题: 开源ETL工具之Kettle介绍
What起源
Kettle是一个Java编写的ETL工具，主作者是Matt Casters，2003年就开始了这个项目，最新稳定版为7.1。 2005年12月，Kettle从2.1版本开始进入了开源领域，一直到4.1版本遵守LGPL协议，从4.2版本开始遵守Apache Licence 2.0协议。 Kettle在2006年初加入了开源的BI公司Pentaho, 正式命名为：Pentaho Data Integeration，简称“PDI”。 自2017年9月20日起，Pentaho已经被合并于日立集团下的新公司： Hitachi Vantara。 总之，Kettle可以简化数据仓库的创建，更新和维护，使用Kettle可以构建一套开源的ETL解决方案。
架构
Kettle是一个组件化的集成系统，包括如下几个主要部分： 1.Spoon：图形化界面工具(GUI方式)，Spoon允许你通过图形界面来设计Job和Transformation，可以保存为文件或者保存在数据库中。 也可以直接在Spoon图形化界面中运行Job和Transformation， 2.Pan：Transformation执行器(命令行方式)，Pan用于在终端执行Transformation，没有图形界面。 3.Kitchen：Job执行器(命令行方式)，Kitchen用于在终端执行Job，没有图形界面。 4.Carte：嵌入式Web服务，用于远程执行Job或Transformation，Kettle通过Carte建立集群。 5.Encr：Kettle用于字符串加密的命令行工具，如：对在Job或Transformation中定义的数据库连接参数进行加密。

基本概念
1.Transformation：定义对数据操作的容器，数据操作就是数据从输入到输出的一个过程，可以理解为比Job粒度更小一级的容器，我们将任务分解成Job，然后需要将Job分解成一个或多个Transformation，每个Transformation只完成一部分工作。 2.Step：是Transformation内部的最小单元，每一个Step完成一个特定的功能。 3.Job：负责将Transformation组织在一起进而完成某一工作，通常我们需要把一个大的任务分解成几个逻辑上隔离的Job，当这几个Job都完成了，也就说明这项任务完成了。 4.Job Entry：Job Entry是Job内部的执行单元，每一个Job Entry用于实现特定的功能，如：验证表是否存在，发送邮件等。可以通过Job来执行另一个Job或者Transformation，也就是说Transformation和Job都可以作为Job Entry。 5.Hop：用于在Transformation中连接Step，或者在Job中连接Job Entry，是一个数据流的图形化表示。

在Kettle中Job中的JobEntry是串行执行的，故Job中必须有一个Start的JobEntry；Transformation中的Step是并行执行的。
Why组件对比
目前，ETL工具的典型代表有:
纯java编写，可以跨平台运行，绿色无需安装，数据抽取高效稳定。


相对于传统的商业软件，Kettle是一个易于使用的，低成本的解决方案。
Spoon是基于SWT（SWT使用了本地操作系统的组件库，性能更好，界面更符合本地操作系统的风格）开发的，支持多平台：
Kettle使用场景How1.下载
https://community.hds.com/docs/DOC-1009855
也可以自己build，Maven项目架构。
mvn clean package -Drelease -Dmaven.test.skip=true
详见：https://github.com/pentaho/pentaho-kettle
2.安装
安装JRE1.7+（Pan需要在JRE1.7+下运行）。 Kettle免安装，在windows环境下，直接解压到指定目录即可。
3.实践
（1）在Spoon中设计Transformation和Job 运行Transformation和Job有2种方式。 方式一：直接在Spoon中运行。 方式二：在控制台终端运行（可以传递命令行参数），例如：
（2）运行结果Step Metrics解读
（3）Kettle Java API 可以通过Java API的方式，将Kettle与第三方应用程序集成。 Kettle本身不提供对外的REST API，但是有一个Step为REST Client。 引用了Kettle所依赖的lib包之后，可以通过Java API方式在第三方应用中运行Job或Transformation
（4）集群部署 Kettle集群是一个Master/Slave架构。 Kettle集群是通过Carte服务组建的，集群模式主要用于远程执行Job。 本质上来讲Carte就是一个Web服务，其实就是使用了一个嵌入式Jetty容器。 初次调用Carte HTTP服务时用户名/密码: cluster/cluster。
启动master节点很简单，直接启动Carte服务即可，如：sh carte.sh localhost 8080 或者通过配置文件启动Master节点，首先编辑Master配置内容如下：
[AppleScript] 纯文本查看 复制代码
<slave_config>

    <slaveserver>

        <name>master1</name>

        <hostname>moc.bankcomm.com</hostname>

        <port>8080</port>

        <username>cluster</username>

        <password>cluster</password>

        <master>Y</master>

    </slaveserver>

</slave_config>
在Slave节点上添加配置文件：slave_dyn_8080.xml，编辑内容如下：
[AppleScript] 纯文本查看 复制代码
<slave_config>

    <masters>

        <slaveserver>

            <name>master1</name>

            <hostname>moc.bankcomm.com</hostname>

            <port>8080</port>

            <username>cluster</username>

            <password>cluster</password>

            <master>Y</master>

        </slaveserver>

    </masters>



    <report_to_masters>Y</report_to_masters>

    

    <slaveserver>

        <name>slave1-8080</name>

        <hostname>kettle.slave1</hostname>

        <port>8080</port>

        <username>cluster</username>

        <password>cluster</password>

        <master>N</master>

    </slaveserver>

</slave_config>
启动slave节点：Carte.bat D:\\pdi-ce-8.1-SNAPSHOT\\data-integration\\slave_dyn_8080.xml
（5）Kettle内置的Step https://wiki.pentaho.org/display ... ntegration+Plug-Ins Kettle插件
（6) 总结
注意事项
kettle的坑
1.集群化部署 （1）不能在<slaveserver>节点中使用<network_interface>替代<hostname>，否则启动时报错：
[AppleScript] 纯文本查看 复制代码
java.lang.NullPointerException

        at org.pentaho.di.core.Const.getIPAddress(Const.java:1775)

        at org.pentaho.di.www.SlaveServerConfig.checkNetworkInterfaceSetting(SlaveServerConfig.java:378)

        at org.pentaho.di.www.SlaveServerConfig.<init>(SlaveServerConfig.java:200)

        at org.pentaho.di.www.Carte.parseAndRunCommand(Carte.java:202)

        at org.pentaho.di.www.Carte.main(Carte.java:162)

        at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)

        at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)

        at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)

        at java.lang.reflect.Method.invoke(Method.java:498)

        at org.pentaho.commons.launcher.Launcher.main(Launcher.java:92)
（2）当集群中的slave节点失效之后，master不会更新slave列表。 虽然官方宣称每隔30秒就会检测slave的状态，但是实际部署时发现master并不会更新slave列表。
2.高可用支持 3.如何避坑 4.基于开源版我们可以用来做什么，如何实现定时调度，如何实现高可用 5.开源社区版本与企业版本主要区别是什么？ 企业版Kettle不是独立的，而是集成在Pentaho Business Analytics商业套件中，作为ETL组件。在企业版中Kettle多一个Pentaho资源库。
【参考资料】 http://www.pentaho.com/ Pentaho主页 https://github.com/pentaho/pentaho-kettle Kettle源码 https://wiki.pentaho.com/display/EAI/ 文档（最新） https://forums.pentaho.com/ Kettle论坛 《解决方案：使用PDI构建开源ETL解决方案 》





欢迎光临 168大数据 (http://www.bi168.cn/) Powered by Discuz! X3.2