ETL工具 - Kettle 介绍及基本使用

一、Kettle 介绍

在介绍 Kettle 前先了解下什么是 ETL，ETL是 Extract-Transform-Load 的缩写，即数据 抽取、转换、装载 的过程，对于企业或行业应用来说，经常会遇到各种异构数据的处理、转换、迁移等操作，这些操作有可能会面对大量的数据和繁琐的步骤，因此就萌生了一些 ETL 处理工具，市面上常见的ETL工具有很多，比如Sqoop、DataX、Kettle、Talend等，本篇文章就主要来介绍下 Kettle 工具。

Kettle（水壶）是一款国外开源的ETL工具，现在已经更名为PDI，Pentaho Data Integration-Pentaho 的缩写，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。它可以处理各种异构数据库中的数据，并且提供了可视化图形界面的方式进行操作，让你思路主要关注在如果处理数据上，而不是如何实现处理的过程，特点如下图介绍：

Kettle的官网地址如下：

https://community.hitachivantara.com/home

如上图介绍，Kettle 分了两种脚本文件，transformation （转换）和 job（作业），transformation 主要完成对数据的处理和转换，job 则完成整个工作流的控制，一个 job 可以包含多个 transformation ，如下图所示：

另外在 Kettle 中又包含了 4 个核心组件，分别如下：

勺子(Spoon.bat / Spoon.sh) : 图像化界面，可以通过图形化界面交互方式开发transformation 和 job。
煎锅(Pan.bat / pan.sh): 可以用命令行的形式执行由 Spoon 编辑的transformation 和 job。
厨房(Kitchen.bat / kitchen.sh) : 可以使用命令行调用由 Spoon 编辑好的 job。
菜单(Carte.bat / carte.sh) : 一个轻量级的 Web 容器，用户建立远程ETL Server 。

二、Kettle 安装

安装前，需要电脑上已经安装配置好 jdk 环境，版本建议1.8及以上。

下载kettle压缩包：

https://sourceforge.net/projects/pentaho/files/Pentaho%209.1/

Kettle 为绿色软件，下载后可以解压到任意本地路径，但注意尽量不要带有中文路径，不然会出现意想不到的效果。

其中 Kettle 的目录说明如下：

三、Kettle 使用基本介绍

双击解压目录下的 Spoon.bat 即可启动图形化界面工具，启动过程有点慢耐心等待下，如果启动失败，可以修改下 JVM 的最堆内存的大小， Spoon.bat 文件下：

等待片刻后会进到如下页面：

在工具栏/文件/新建下可以选择创建一个转换和作业：

3.1 转换

转换(transaformation) 主要负责数据的输入、转换、校验和输出等工作。转换由多个Step(步骤) 组成，如文本文件输入，过滤输出行，执行 SQL 等。各个步骤之间使用 Hop (跳) 来链接。

Step 是转换里的基本的组成部分，比如上面的 CSV文件输入和Excel输出，一个Step 有如下几个关键特性：

Step需要有一个名字，这个名字在同一个转换范围内唯一。
Step将数据写到与之相连的一个或多个输出 Hop，再传送到指向的另一端的Step。
大多数的Step都可以有多个输出，当出现多个输出时可以选择复制或分发，复制是所有的记录被同时发送到所有的目标步骤，分发是目标步骤轮流接收记录：

Hop 是 Step 之间带箭头的连线，定义了数据的通路。Hop 实际上是两个Step 之间被称之为行集的数据行缓存，行集的大小可以在转换的设置里定义。当行集满时，向行集写数据的 Step 将停止写入，直到行集里又有了空间。当行集空了，从行集读取数据的 Step 停止读取，直到行集里又有可读的数据行。

其中转换属性可以双击空白处：

3.2 数据元数据

每个步骤在输出数据行时都有对字段的描述，也就是数据行的元数据。元数据通常包含下面一些信息。

名称：数据行里的字段名是唯一的
数据类型：字段的数据类型
格式：数据显示的方式，如Integer的#、0.00
长度：字符串的长度或者BigNumber类型的长度
精度：BigNumber数据类型的十进制精度
货币符号：￥
小数点符号:十进制数据的小数点格式。不同文化背景下小数点符号是不同的，一般是点（.）或逗号（,）
分组符号：数值类型数据的分组符号，不同文化背景下数字里的分组符号也是不同的，一般是点（.）或逗号（,）或单引号（’）

3.3 数据的类型

Kettle 中的数据区分了数据的类型，类型包含如下几种：

String:字符类型数据
Number:双精度浮点数。
Integer:带符号长整型（64位）。
BigNumber:任意精度数据。
Date:带毫秒精度的日期时间值。
Boolean:取值为true和false的布尔值。
Binary:二进制字段可以包含图像、声音、视频及其他类型的二进制数据。

3.2 作业

作业 (Job)，负责定义一个完成整个工作流的控制，比如将转换的结果发送邮件给相关人员。因为转换（transformation）以并行方式执行，如果需要一个串行的调度工具来执行转换，就可以使用作业：

四、Kettle 数据处理案例

例如有如下 CSV 数据，其中字段分别表示：用户ID、用户名、性别、成绩1、成绩2、成绩3 ：

id,name,sex,grade1,grade2,grade3
1,小明,男,90,80,70
2,小红,女,91,81,71
3,小兰,女,92,82,72
4,小爱,女,93,83,73
5,张三,男,94,84,74
6,李四,男,95,85,75
7,王五,男,96,86,76
8,赵六,男,97,87,77
9,小六,男,98,88,78
10,小七,男,99,89,79

现有需求：要求计算出每个人的总成绩和平均分，将结果输出到 Excel 中。

新建一个转换：

拖入一个 CSV文件输入：

双击 CSV文件输入，选择 CSV 文件、编码等：

可以点击预览查看数据：

下面拖入一个计算器，计算成绩总和：

按住 Shift 连接上 CSV文件输入和计算器：

双击计算器，修改名称，并指定计算方式：

此时可以运行下看下计算结果：

可以看到已经计算出了总成绩，下面计算平均分数的话还需要一个常量 3 ：

双击进入修改名称和指定常量值：

下面再拖一个计算器，计算平均分数，参数如下：

到这可以运行下看下结果：

可以看到已经计算出平均成绩了，下面就可以输出到 Excel 中了，拖入一个 Excel输出：

双击进入修改属性：

再进入到字段下指定输出的字段，其中 num 字段仅仅是为了计算用的，这里删除掉：

最后运行转换，到输出目录下查看 Excel 中的内容：

已经写入处理后的数据。