查看: 4134|回复: 7

[其他] ETL高级教程kettle

[复制链接]
  • TA的每日心情
    开心
    2016-3-9 09:31
  • 签到天数: 4 天

    [LV.2]偶尔看看I

    发表于 2015-4-9 14:34:26 | 显示全部楼层 |阅读模式
    1,Kettle跨平台使用。
        例如:在AIX下(AIX是IBM商用UNIX操作系统,此处在LINUX/UNIX同样适用),运行Kettle

    的相关步骤如下:
        1)进入到Kettle部署的路径
        2)执行 chmod *.sh,将所有shell文件添加可执行权限
        3)在Kettle路径下,如果要执行transformation,就运行./pan.sh -file=?.ktr -

    debug=debug -log=log.log
        其中。-file说明你要运行的transformation文件所在的路径;-debug说明日志输出的级别

    ;-log说明日志输出的路径
        4)同理,对于job的执行,请将./pan.sh更换成./kitchen.sh,其他部分说明不变。

    2,Kettle环境变量使用。
        在transformation中,Core Objects-->Job-->Set Variables,可以设置环境变量,对于绝

    对路径和相对路径的转换很有帮助,Kettle的跨平台很大程度依靠它

    3,其它功能的使用。
        其它功能包括DB存储过程调用,流查询,值映射,聚合记录等,各位自行摸索

    4,Kettle定时功能。
        在Job下的start模块,有一个定时功能,可以每日,每周等方式进行定时,对于周期性的

    ETL,很有帮助。
        a.使用资源库(repository)登录时,默认的用户名和密码是admin/admin。
        b.当job是存放在资源库(一般资源库都使用数据库)中时,使用Kitchen.bat执行job时,

    需使用如下的命令行:
    Kitchen.bat /rep kettle /user admin /pass admin /job job名
        c.当job没有存放在资源库而存放在文件系统时,使用Kitchen.bat执行job时,需使用如下

    的命令行:
    Kitchen.bat /norep /file user-transfer-job.kjb
        d.可以使用命令行执行job后,就可以使用windows或linux的任务调度来定时执行任务了
        e.如果出现异常语句,
           Unexpected error during transformation metadata load
           No repository defined!
        请按上面的操作排除。


    5,Kettle经验之日志。
        Kettle对于日志的处理,存在一个BUG,看过上一篇的人或许已经看到了我的留言,Kettle

    对于日志处理有一个BUG,当日志多于49M(不是50M,也不是49M),Kettle就会自动停止,这一

    点我在源码里面也没有找到对应的设置和约束,原因还找不到,因为是日志没有写,所以原因也

    不好跟踪还不知道具体原因。

    6,Kettle之效率提升。
        Kettle作为一款ETL工具,肯定无法避免遇到效率问题,当很大的数据源输入的时候,就会

    遇到效率的问题。对此有几个解决办法:
        1)数据库端创建索引。对需要进行查询的数据库端字段,创建索引,可以在很大程度上提

    升查询的效率,最多的时候,我不创建索引,一秒钟平均查询4条记录,创建索引之后,一秒钟

    查询1300条记录。
        2)数据库查询和流查询注意使用环境。因为数据库查询为数据输入端输入一条记录,就对

    目标表进行一次查询,而流查询则是将目标表读取到内存中,数据输入端输入数据时,对内从进

    行查询,所以,当输入端为大数据量,而被查询表数据量较小(几百条记录),则可以使用流查

    询,毕竟将目标表读到内存中,查询的速度会有非常大的提升(内存的读写速度是硬盘的几百倍

    ,再加上数据库自身条件的制约,速度影响会更大)。同理,对于目标表是大数据量,还是建议

    使用数据库查询,不然的话,一下子几百M的内存被干进去了,还是很恐怖的。
        3)谨慎使用javascript脚本,因为javascript本身效率就不高,当你使用js的时候,就要

    考虑你每一条记录,就要执行一次js所需要的时间了。
        4)数据库commit次数,一条记录和一百条记录commit对效率的影响肯定是不一样的。
        5)表输入的sql语句的写法。有些人喜欢在表输入的时候,将所有关联都写进去,要么from

    N多个表,要么in来in去,这样,就要面对我在2)里面说道的问题,需要注意。
        6)注意日志输出,例如选择数据库更新方式,而且日志级别是debug,那么后台就会拼命的

    输出日志,会在很大程度上影响速度,此处一定要注意。

    7,常见的调试BUG。
        Kettle提供了很多调试的解决办法,但是对于常见的调试BUG还是能避免就避免。
        1)路径问题。我最常遇到的问题就是在windows下调试成功,但是部署到UNIX下出问题,忘

    记将windows下路径变成unix下,经常会出现问题。
        2)输出端,数据库插入更新选择不对。输出端,提供了三种数据库输出的办法,数据库输

    出,插入/更新,更新,对于这三种,各有利弊,如果你知道数据库输出,完全是插入,如果有

    重复数据,则会报错;插入更新和更新,因为更新数据时,后台输出很多日志,会导致效率很低



  • TA的每日心情
    开心
    2015-10-28 23:22
  • 签到天数: 103 天

    [LV.6]常住居民II

    发表于 2015-4-11 17:08:49 | 显示全部楼层
    这种最好配上图片
  • TA的每日心情
    开心
    2016-3-9 09:31
  • 签到天数: 4 天

    [LV.2]偶尔看看I

     楼主| 发表于 2015-4-14 09:49:42 | 显示全部楼层
    好的,回头把图片贴上!
    您需要登录后才可以回帖 登录 | 注册青鸟豆号

    本版积分规则

    Copyright 1999-2019 Beijing Aptech Beida Jade Bird Information Technology Co.,Ltd

    北大青鸟IT教育 北京阿博泰克北大青鸟信息技术有限公司 版权所有

    京ICP备11045574号-3 京公网安备11010802013845号

    快速回复 返回顶部 返回列表