Kettle的安装及简单使用

Kettle的安装及简单使用

一、kettle概述

1 、什么是kettle
Kettle是一款开源的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。
2 、Kettle工程存储方式
（ 1 ）以XML形式存储
（ 2 ）以资源库方式存储(数据库资源库和文件资源库)
3 、Kettle的两种设计

4 、Kettle的组成

5 、kettle特点

二、kettle安装部署和使用

Windows下安装

（ 1 ）概述

在实际企业开发中，都是在本地环境下进行kettle的job和Transformation开发的，可以在本地运行，也
可以连接远程机器运行
（ 2 ）安装步骤

1 、安装jdk
2 、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
3 、双击Spoon.bat，启动图形化界面工具，就可以直接使用了
1
2
3

案例 1 ：MySQL to MySQL

把stu1的数据按id同步到stu2，stu2有相同id则更新数据

1 、在mysql中创建testkettle数据库，并创建两张表

在master主机的mysql创建stu1，在node1建立stu2

create database testkettle;
use testkettle;
create table stu1(id int,name varchar(20),age int);
create table stu2(id int,name varchar(20));
1
2
3
4

2 、往两张表中插入一些数据

-- stu1表内容
insert into stu1 values(1001,'zhangsan',20),(1002,'lisi',18),
(1003,'wangwu',23);
-- stu2表内容
insert into stu2 values(1001,'wukong');
1
2
3
4
5

3 、把pdi-ce-8.2.0.0-342.zip文件拷贝到win环境中指定文件目录，解压后双击Spoon.bat，启动图形
化界面工具，就可以使用了

主界面：

在kettle中新建转换—>输入—>表输入–>表输入双击

在data-integration\lib文件下添加mysql驱动，重新打开软件

新建转换创建一个表输入，添加得到，并双击他，在数据库连接栏目点击 新建 ，填入mysql相关配置，并测试连接

建立连接后，选择刚刚建好的连接，填入SQL，并预览数据：

新建stu2表输出，配置mysql连接

现在我们需要把输入stu1的数据同步到stu2输出的数据

注意：按照shift键拖出来的线条练级stu1表输入和stu2表输出（必须是深灰色才关联成功，若是浅灰色表示关联失败，点击线条可以变化关联状态）

运行

转换之前，需要做保存到kettle目录下的job目录

执行成功之后，可以在mysql查看，stu2的数据

案例 2 ：使用作业执行上述转换，并且额外在表stu2中添加一条数据

1 、新建一个作业

2 、按图示拉取组件

3 、双击Start编辑Start

4 、双击转换，选择案例 1 保存的文件

5 、在mysql的stu1中插入一条数据，并将stu2中id=1001的name改为wukong

mysql> insert into stu1 values(1004,'stu1',22);
Query OK, 1 row affected (0.01 sec)
mysql> update stu2 set name = 'wukong' where id = 1001;
Query OK, 1 row affected (0.00 sec)
Rows matched: 1 Changed: 1 Warnings: 0
1
2
3
4
5

6 、双击SQL脚本编辑

7 、加上Dummy，如图所示：

8 、保存并执行

9 、在mysql数据库查看stu2表的数据

mysql> select * from stu2;
+------+----------+
| id | name |
+------+----------+
| 1001 | zhangsan |
| 1002 | lisi |
| 1003 | wangwu |
+------+----------+
3 rows in set (0.00 sec)
1
2
3
4
5
6
7
8
9

案例 3 ：将hive表的数据输出到hdfs

1 、因为涉及到hive读写，需要修改相关配置文件(由于hadoop版本为3.1.1所以取hdp30)
修改解压目录下的data-integration\plugins\pentaho-big-data-plugin下的plugin.properties，设
置active.hadoop.configuration=hdp30，并将如下配置文件拷贝到data-
integration\plugins\pentaho-big-data-plugin\hadoop-configurations\hdp30下

这些文件为之前装的hadoop的配置文件里面找到复制过来

2 、启动hadoop集群、hiveserver2服务
3 、进入hive shell，创建kettle数据库，并创建dept、emp表

create database kettle;
use kettle;
CREATE TABLE dept(
deptno int,
dname string,
loc string
) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
CREATE TABLE emp(
empno int,
ename string,
job string,
mgr int,
hiredate string,
sal double,
comm int,
deptno int
) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

4 、插入数据

insert into dept values(10,'accounting','NEW YORK'),(20,'RESEARCH','DALLAS'),
(30,'SALES','CHICAGO'),(40,'OPERATIONS','BOSTON');
insert into emp values(7369,'SMITH','CLERK',7902,'1980-12-17',800,NULL,20),
(7499,'ALLEN','SALESMAN',7698,'1980-12-17',1600,300,30),
(7521,'WARD','SALESMAN',7698,'1980-12-17',1250,500,30),
(7566,'JONES','MANAGER',7839,'1980-12-17',2975,NULL,20);
1
2
3
4
5
6

5 、按下图建立流程图

表输入

表输入 2

排序记录

记录集连接

字段选择

文本文件输出

如果出现outOfMemory错误那么需要点击字段 然后选择最小宽度

6 、保存并运行查看hdfs
运行

查看HDFS文件

案例 4 ：读取hdfs文件并将sal大于 1000 的数据保存到hbase中

1 、在HBase中创建一张people表

hbase(main):004:0> create 'people','info'
1

2 、按下图建立流程图

文本文件输入

设置过滤记录

设置HBase output

编辑hadoop连接，并配置zookeeper地址
1

执行转换

查看hbase people表的数据
1

scan 'people'

注意：若报错没有权限往hdfs写文件，在Spoon.bat中第 119 行添加参数
"-DHADOOP_USER_NAME=root" "-Dfile.encoding=UTF-8"
1
2
3
4

三、创建资源库

1 、数据库资源库

数据库资源库是将作业和转换相关的信息存储在数据库中，执行的时候直接去数据库读取信息，方便跨平台使用

• 在MySQL中创建kettle数据库

mysql> create database kettle;
Query OK, 1 row affected (0.01 sec)
1
2

• 点击右上角connect，选择Other Resporitory

• 

• 选择Database Repository

• 

建立新连接

填好之后，点击finish，会在指定的库中创建很多表，至此数据库资源库创建完成

连接资源库

默认账号密码为admin
1

将之前做过的转换导入资源库

选择从xml文件导入
1

点击保存，选择存储位置及文件名

查看MySQL中kettle库中的R_TRANSFORMATION表，观察转换是否保存

2 、文件资源库

将作业和转换相关的信息存储在指定的目录中，其实和XML的方式一样

创建方式跟创建数据库资源库步骤类似，只是不需要用户密码就可以访问，跨平台使用比较麻烦

选择connect
点击add后点击Other Repositories
选择File Repository
填写信息
1
2
3
4

四、 Linux下安装使用

1 、单机

jdk安装
安装包上传到服务器，并解压
注意：
1. 把mysql驱动拷贝到lib目录下
2. 将windows本地用户家目录下的隐藏目录C:\Users\自己用户名\.kettle 目录，
整个上传到linux的用户的家目录下，root用户的家目录为/root/

1
2
3
4
5
6
7

• 运行数据库资源库中的转换：

  cd /usr/local/soft/data-integration
  ./pan.sh -rep=my_repo -user=admin -pass=admin -trans=trans1
  1
  2

参数说明：

-rep 资源库名称
-user 资源库用户名
-pass 资源库密码
-trans 要启动的转换名称
-dir 目录(不要忘了前缀 /)（如果是以ktr文件运行时，需要指定ktr文件的路径）
1
2
3
4
5

如果报错为：

2022 /04/23 16 :00:26 - HIVE中EMP表输入.0 - ERROR (version 8 .2.0.0-342, build
8 .2.0.0-342 from 2018 -11-14 10 .30.55 by buildguy) : An error occurred,
processing will be stopped:
2022 /04/23 16 :00:26 - HIVE中EMP表输入.0 - Error occurred while trying to connect
to the database
2022 /04/23 16 :00:26 - HIVE中EMP表输入.0 -
2022 /04/23 16 :00:26 - HIVE中EMP表输入.0 - Error connecting to database: (using
class org.apache.hive.jdbc.HiveDriver)
2022 /04/23 16 :00:26 - HIVE中EMP表输入.0 - No suitable driver found for
jdbc:hive2://master:10000/kettle
2022 /04/23 16 :00:26 - HIVE中DEPT表输入.0 - ERROR (version 8 .2.0.0-342, build
8 .2.0.0-342 from 2018 -11-14 10 .30.55 by buildguy) : An error occurred,
processing will be stopped:
2022 /04/23 16 :00:26 - HIVE中DEPT表输入.0 - Error occurred while trying to connect
to the database
2022 /04/23 16 :00:26 - HIVE中DEPT表输入.0 -
2022 /04/23 16 :00:26 - HIVE中DEPT表输入.0 - Error connecting to database: (using
class org.apache.hive.jdbc.HiveDriver)
2022 /04/23 16 :00:26 - HIVE中DEPT表输入.0 - No suitable driver found for
jdbc:hive2://master:10000/kettle
2022 /04/23 16 :00:26 - HIVE中DEPT表输入.0 - ERROR (version 8 .2.0.0-342, build
8 .2.0.0-342 from 2018 -11-14 10 .30.55 by buildguy) : 错误初始化步骤[HIVE中DEPT表输入]
2022 /04/23 16 :00:26 - HIVE中EMP表输入.0 - ERROR (version 8 .2.0.0-342, build
8 .2.0.0-342 from 2018 -11-14 10 .30.55 by buildguy) : 错误初始化步骤[HIVE中EMP表输入]
2022 /04/23 16 :00:26 - hive2HDFS - ERROR (version 8 .2.0.0-342, build 8 .2.0.0-342
from 2018 -11-14 10 .30.55 by buildguy) : 步骤 [HIVE中EMP表输入.0] 初始化失败!
2022 /04/23 16 :00:26 - hive2HDFS - ERROR (version 8 .2.0.0-342, build 8 .2.0.0-342
from 2018 -11-14 10 .30.55 by buildguy) : 步骤 [HIVE中DEPT表输入.0] 初始化失败!
2022 /04/23 16 :00:26 - HIVE中EMP表输入.0 - Finished reading query, closing
connection.
2022 /04/23 16 :00:26 - HIVE中DEPT表输入.0 - Finished reading query, closing
connection.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

请执行如下操作：

rm -rf ./system/karaf/caches
1

运行资源库里的作业：

记得把作业里的转换变成资源库中的资源

记得把作业也变成资源库中的资源

cd /usr/local/soft/data-integration
mkdir logs
./kitchen.sh -rep=my_repo -user=admin -pass=admin -job=job1 -
logfile=./logs/log.txt
1
2
3
4

参数说明：

-rep - 资源库名
-user - 资源库用户名
-pass – 资源库密码
-job – job名
-dir – job路径（当直接运行kjb文件的时候需要指定）
-logfile – 日志目录
1
2
3
4
5
6

2 、 集群模式

准备三台服务器

master作为Kettle主服务器，服务器端口号为 8080 ，
node1和node2作为两个子服务器，端口号分别为 8081 和 8082 。

安装部署jdk

hadoop完全分布式环境搭建

上传并解压kettle的安装包至/usr/local/soft/目录下

进到/usr/local/soft/data-integration/pwd目录，修改配置文件
	
1
2
3
4
5
6
7
8
9
10
11

修改主服务器配置文件carte-config-master-8080.xml

<slaveserver>
	<name>master</name>
	<hostname>master</hostname>
	<port>8080</port>
	<master>Y</master>
	<username>cluster</username>
	<password>cluster</password>
</slaveserver>
1
2
3
4
5
6
7
8

修改从服务器配置文件carte-config-8081.xml

<masters>
	<slaveserver>
	  <name>master</name>
  	  <hostname>master</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</name>
	<hostname>node1</hostname>
	<port>8081</port>
	<username>cluster</username>
	<password>cluster</password>
	<master>N</master>
</slaveserver>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

修改从配置文件carte-config-8082.xml

<masters>
	<slaveserver>
	  <name>master</name>
	  <hostname>master</hostname>
	  <port>8080</port>
	  <username>cluster</username>
	  <password>cluster</password>
	  <master>Y</master>
	</slaveserver>
</masters>
<report_to_masters>Y</report_to_masters>
<slaveserver>
	<name>slave2</name>
	<hostname>node2</hostname>
	<port>8082</port>
	<username>cluster</username>
	<password>cluster</password>
	<master>N</master>
</slaveserver>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

• 分发整个kettle的安装目录，通过scp命令

• 分发/root/.kettle目录到node1、node2

• 启动相关进程，在master,node1,node2上分别执行

[root@master]# ./carte.sh master 8080
[root@node1]# ./carte.sh node1 8081
[root@node2]# ./carte.sh node2 8082
1
2
3

访问web页面
http://master:8080

案例：读取hive中的emp表，根据id进行排序，并将结果输出到hdfs上

注意：因为涉及到hive和hbase的读写，需要修改相关配置文件。

修改解压目录下的data-integration\plugins\pentaho-big-data-plugin下的plugin.properties，设
置active.hadoop.configuration=hdp26，并将如下配置文件拷贝到data-
integration\plugins\pentaho-big-data-plugin\hadoop-configurations\hdp26下

创建转换，编辑步骤，填好相关配置

直接使用trans1
1

创建子服务器，填写相关配置，跟集群上的配置相同

创建集群schema，选中上一步的几个服务器

对于要在集群上执行的步骤，右键选择集群，选中上一步创建的集群schema

创建Run Configuration,选择集群模式

直接运行，选择集群模式运行

五、调优

1 、调整JVM大小进行性能优化，修改Kettle根目录下的Spoon脚本。

参数参考：

-Xmx2048m：设置JVM最大可用内存为2048M。
-Xms1024m：设置JVM促使内存为1024m。此值可以设置与-Xmx相同，以避免每次垃圾回收完成后
JVM重新分配内存。
-Xmn2g：设置年轻代大小为2G。整个JVM内存大小=年轻代大小 + 年老代大小 + 持久代大小。持久代一
般固定大小为64m，所以增大年轻代后，将会减小年老代大小。此值对系统性能影响较大，Sun官方推
荐配置为整个堆的3/8。

-Xss128k：设置每个线程的堆栈大小。JDK5.0以后每个线程堆栈大小为1M，以前每个线程堆栈大小为
256K。更具应用的线程所需内存大小进行调整。在相同物理内存下，减小这个值能生成更多的线程。但
是操作系统对一个进程内的线程数还是有限制的，不能无限生成，经验值在3000~5000左右。
2 、 调整提交（Commit）记录数大小进行优化，Kettle默认Commit数量为： 1000 ，可以根据数据量大
小来设置Commitsize：1000~50000
3 、尽量使用数据库连接池；
4 、尽量提高批处理的commit size；
5 、尽量使用缓存，缓存尽量大一些（主要是文本文件和数据流）；
6 、Kettle是Java做的，尽量用大一点的内存参数启动Kettle；
7 、可以使用sql来做的一些操作尽量用sql；
Group , merge , stream lookup,split field这些操作都是比较慢的，想办法避免他们.，能用sql就用
sql；
8 、插入大量数据的时候尽量把索引删掉；
9 、尽量避免使用update , delete操作，尤其是update,如果可以把update变成先delete, 后insert；
10 、能使用truncate table的时候，就不要使用deleteall row这种类似sql合理的分区，如果删除操作是
基于某一个分区的，就不要使用delete row这种方式（不管是deletesql还是delete步骤）,直接把分区
drop掉，再重新创建；
11 、尽量缩小输入的数据集的大小（增量更新也是为了这个目的）；
应用的线程所需内存大小进行调整。在相同物理内存下，减小这个值能生成更多的线程。但
是操作系统对一个进程内的线程数还是有限制的，不能无限生成，经验值在3000~5000左右。
2 、 调整提交（Commit）记录数大小进行优化，Kettle默认Commit数量为： 1000 ，可以根据数据量大
小来设置Commitsize：1000~50000
3 、尽量使用数据库连接池；
4 、尽量提高批处理的commit size；
5 、尽量使用缓存，缓存尽量大一些（主要是文本文件和数据流）；
6 、Kettle是Java做的，尽量用大一点的内存参数启动Kettle；
7 、可以使用sql来做的一些操作尽量用sql；
Group , merge , stream lookup,split field这些操作都是比较慢的，想办法避免他们.，能用sql就用
sql；
8 、插入大量数据的时候尽量把索引删掉；
9 、尽量避免使用update , delete操作，尤其是update,如果可以把update变成先delete, 后insert；
10 、能使用truncate table的时候，就不要使用deleteall row这种类似sql合理的分区，如果删除操作是
基于某一个分区的，就不要使用delete row这种方式（不管是deletesql还是delete步骤）,直接把分区
drop掉，再重新创建；
11 、尽量缩小输入的数据集的大小（增量更新也是为了这个目的）；
12 、尽量使用数据库原生的方式装载文本文件(Oracle的sqlloader, mysql的bulk loader步骤)。