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
  • 把数据写入到Cube
  • 把数据写入XML
    
• 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
  • 值映射、分组、去重、拆分字段、行列转换
  • 复制行
    
• 支持的脚本
  • JS脚本
  • SQL脚本
  • 正则表达式
    
• 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。

官方网站：http://community.pentaho.com/projects/data-integration/

独家整理KETTLE培训文档：http://wenku.baidu.com/view/6f78f70b581b6bd97f19ea91.html