Pentaho Work with Big Data（一）—— Kettle连接Hadoop集群

准备研究一下Pentaho的产品如何同Hadoop协同工作。从简单的开始，今天实验了一下Kettle连接Hadoop集群。

实验目的：
配置Kettle连接Hadoop集群的HDFS。

实验环境：
4台CentOS release 6.4虚拟机，IP地址为
192.168.56.101
192.168.56.102
192.168.56.103
192.168.56.104

192.168.56.101是Hadoop集群的主，运行NameNode进程。
192.168.56.102、192.168.56.103是Hadoop的从，运行DataNode进程。
192.168.56.104安装Pentaho的PDI，安装目录为/root/data-integration。

Hadoop版本：2.7.2
PDI版本：6.0

Hadoop集群的安装配置参考 http://blog.csdn.net/wzy0623/article/details/50681554

配置步骤：
1. 启动Hadoop的hdfs
在192.168.56.101上执行以下命令
start-dfs.sh

2. 拷贝Hadoop的配置文件到PDI的相应目录下
在192.168.56.101上执行以下命令
scp /home/grid/hadoop/etc/hadoop/hdfs-site.xml root@192.168.56.104:/root/data-integration/plugins/pentaho-big-data-plugin/hadoop-configurations/cdh54/
scp /home/grid/hadoop/etc/hadoop/core-site.xml root@192.168.56.104:/root/data-integration/plugins/pentaho-big-data-plugin/hadoop-configurations/cdh54/

下面的配置均在192.168.56.104上执行
3. 在安装PDI的主机上建立访问Hadoop集群的用户
我的Hadoop集群的属主是grid，所以执行以下命令建立相同的用户
useradd -d /home/grid -m grid
usermod -G root grid

4. 修改PDI安装目录的属主为grid
mv /root/data-integration /home/grid/
chown -R grid:root /home/grid/data-integration

5. 编辑相关配置文件
cd /home/grid/data-integration/plugins/pentaho-big-data-plugin/hadoop-configurations/cdh54/
在config.properties文件中添加如下一行
authentication.superuser.provider=NO_AUTH
把hdfs-site.xml、core-site.xml文件中的主机名换成相应的IP 
修改后的config.properties、hdfs-site.xml、core-site.xml文件分别如图1、图2、图3所示。

图1

图2

图3

6. 在Kettle中选择一个支持的Shim
选择菜单“工具”->“Hadoop Distribution...”，在弹窗中选择Cloudera CDH 5.4，如图4所示。

图4

7. 重启Kettle

8. 新建一个转换，在“主对象树”中选择“Hadoop cluster”，点击右键选择“New Cluster”，填写相关信息，如图5所示

图5

9. 点击“测试”，结果如图6所示，连接HDFS成功

图6

参考：
http://help.pentaho.com/Documentation/6.0/0L0/040/025
http://help.pentaho.com/Documentation/6.0/0H0/070/030/010