七十八、Kettle的几个使用案例

上一篇文章我们介绍了一下Kettle以及Kettle的安装部署，本文我们来具体看几个例子，看看Kettle是怎样使用的。使用示例我们基于Windows安装的Kettle进行演示说明。关注专栏《破茧成蝶——大数据篇》，查看更多相关的内容~

---

目录

一、案例一：把stu1的数据按id同步到stu2，stu2有相同id则更新数据。

二、案例二：使用作业执行上述转换，并且额外在表stu2中添加一条数据。

三、案例三：将Hive表的数据输出到HDFS。

四、案例四：读取HDFS文件并将sal大于1000的数据保存到HBase中。

五、Kettle调优

---

一、案例一：把stu1的数据按id同步到stu2，stu2有相同id则更新数据。

1、需求

把stu1的数据按id同步到stu2，stu2有相同id则更新数据。

2、在MySQL中创建两张表并插入一些数据

create table stu1(id int,name varchar(20),age int);
create table stu2(id int,name varchar(20));

insert into stu1 values(1001,'xzw',20),(1002,'fq',18), (1003,'yxy',23);
insert into stu2 values(1001,'lyq');

3、在kettle中新建转换

4、分别在输入和输出中拉出表输入和插入/更新

5、双击表输入对象，填写相关配置信息。

6、双击更新/插入对象，填写相关配置信息

7、保存转换，运行

8、在MySQL中查看运行结果，发现已经完成了数据的同步。

二、案例二：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、需求

使用作业执行上述转换，并且额外在表stu2中添加一条数据。

2、新建作业

3、拉取相关组件，如下图所示。

4、双击start编辑start

5、双击转换，选择案例一保存的文件。

6、双击SQL，编辑SQL语句。

7、保存执行，查看MySQL中的结果

三、案例三：将Hive表的数据输出到HDFS。

1、需求

将Hive表的数据输出到HDFS。

2、修改配置文件

（1）修改解压目录data-integration\plugins\pentaho-big-data-plugin下的plugin.properties。

active.hadoop.configuration=hdp26

（2）将下面的配置文件拷贝到data-integration\plugins\pentaho-big-data-plugin\hadoop-configurations\hdp26目录下。

3、启动Hadoop集群以及相关组件，启动hiveserver2功能

[root@master hive]# bin/hiveserver2

进入beeline：

[root@master hive]# bin/beeline 
Beeline version 1.2.1 by Apache Hive
beeline> !connect jdbc:hive2://master:10000
Connecting to jdbc:hive2://master:10000
Enter username for jdbc:hive2://master:10000: root
Enter password for jdbc:hive2://master:10000: ********
Connected to: Apache Hive (version 1.2.1)
Driver: Hive JDBC (version 1.2.1)
Transaction isolation: TRANSACTION_REPEATABLE_READ
0: jdbc:hive2://master:10000> show databases;
+----------------+--+
| database_name  |
+----------------+--+
| default        |
| xzw            |
+----------------+--+
2 rows selected (1.66 seconds)
0: jdbc:hive2://master:10000> 

4、创建两张表并导入数据

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';

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);

5、建立流程图

6、设置表输入，连接Hive。

7、设置排序属性

8、设置连接属性

9、设置字段选择

10、设置文件输出

（1）编辑HDFS连接

（2）配置内容、字段等等

11、保存并测试

四、案例四：读取HDFS文件并将sal大于1000的数据保存到HBase中。

1、需求

读取HDFS文件并将sal大于1000的数据保存到HBase中。

2、首先在HBase中创建一张用于存放数据的表

3、建立流程图

4、设置文件输入，连接HDFS

5、设置过滤记录

6、设置HBase输出

（1）设置映射

（2）连接参数

7、保存并测试

五、Kettle调优

1、修改Kettle根目录下的Spoon脚本，调整JVM大小进行性能优化。

1、-Xmx2048m：设置JVM最大可用内存为2048M。
2、-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。
3、-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。
4、-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。

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）。

 

以上就是本文的所有内容，比较简单。你们在此过程中遇到了什么问题，欢迎留言，让我看看你们都遇到了哪些问题~