自己总结的Kettle使用方法和成果.doc

KETTLE使用自己总结的Kettle使用方法和成果说明简介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http:/kettle.pentaho。org/网站下载到。注:ETL，是英文 ExtractTransformLoad 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pdice软件压缩包，当前最新版本为5。20。0.下载网址：http：/然后，解压下载的软件压缩包:pdice5.2.0。0209.zip，解压后会在当前目录下上传一个目录,名为dataintegration。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http:/kettle。pentaho.org/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:mysqlconnectorjava5。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-mmdd 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：http：/wiki。pentaho。com/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hadoop1.0。3/hbase-0。94.6）替代,步骤如下：1）从https：/pentaho.box。com/50hdp12下载hdp13的shim插件.2)解压到plugins/pentaho-big-dataplugin/hadoopconfigurations目录下,目录名为hdp13。3）进入plugins/pentahobigdataplugin目录，修改plugin.properties文件中的active.hadoop.configuration属性为，缺省值为hadoop20，如下：active.hadoop.configuration=hdp133）替换掉hdp13/lib目录下与Hbase和hadoop有关的Jar包，拷贝一份hbase-site。xml到hdp13目录下。 hdp13/lib/pmr目录下替换后的Jar包：| hdp13/lib/client目录下替换后的Jar包： 在HBase中创建一个weblogs表，步骤如下：1)打开HBase shell，在命令行中输入：hbase shell2）在Hbase中创建一个表，在hbase shell中输入：create weblogs, pageviews* 上面命令会创建一个带有一个列族pageviews的weblogs的表。3）执行quit退出HBase shell。参考文档：1. 从下面网址下载weblogs_hbase。txt。zip压缩文件作为文本文件数据源导入：http:/wiki。pentaho。com/download/attachments/23530622/weblogs_hbase。txt。zip2。 从Spoon（Kettle)中，创建一个新的转换，选择“文件新建转换”.点击“核心对象输入”标签，然后把“文本文件输入拖到画板中。3。 双击文本文件输入,弹出文本文件输入对话框，点击“浏览”按钮选择weblog_hbase。txt文件,点击“添加”按钮.选择“内容”标签，清空分隔符点击“Insert TAB按钮，选中“头部行数量”选择框，从格式的下拉菜单中选择Unix格式。配置输入字段，从“字段”标签页中选择“获取字段按钮，弹出可用的字段列表，询问采样的数量，输入100点击“OK按钮。修改字段key的类型为String,长度为20。点击“OK”按钮关闭对话框.l 在“核心对象-Big Data”下，把HBase Output图标拖入到面板中。并且把文本文件输入与HBase Outpu连接起来（按住shift+拖曳）.l 双击Hbase Output,在弹出对话框中输入Zookeeper的主机名和端口号。1）Zookeeper host（s)字段中输入Zookeeper主机名，多个主机名使用逗号分隔。对于本地集群使用localhost。2）在Zookeeper port字段中，输入你的Zookeeper端口号,缺省值2181。l 创建一个Hbase映射，在Create/Edit mappings标签页中告诉Pentaho在HBase中如何存储数据.1）点击Get table names按钮，在HBase table name的选择框中选择weblogs2）Mapping name，输入pageviews3）点击“Get imcoming fields”按钮4)从Alias的key这行修改Key为Y，清除掉Column family和Column name字段，并且设置Type字段为String,点击Save mapping.l 配置HBase out使用上面刚刚创建的映射。1）进入到Configuration Connection标签页，点击Get table names。2)点击Get table names,在Hbase table name的选择框中选择weblogs。3）点击Get mappings for speficed table获取指定的表.4）点击Mapping name，选择pageviews，点击“确认”按钮关闭窗口.点击“文件另存为”菜单保存转换，在选择目录中输入load_hbase.ktr作为文件名。l 点击转换工具栏中的运行按钮运行转换，或者选择“动作运行”菜单打开一个执行转换的窗口，点击“启动”按钮。在Spoon接口的下面打开一个执行结果窗口，显示运行时转换的进度.在几十秒之后完成转换。如果在转换过程中出现任何错误,将会红色高亮显示,在日志标签页查看错误信息。l 通过查询HBase验证数据1)从命令行中,输入下面命令打开HBase shell：hbase shell2）通过这个命令查询HBase：scan weblogs， LIMIT = 10应该返回数据的行数。