ETL笔记——第六章 数据转换

一、多数据源的合并

通过Kettle工具将A公司和B公司的手机日销售数据合并到一个数据源（数据表company）中，也就是对文件company_a.csv和数据表company_b中的数据进行合并操作，并输出到数据表company中。

1、数据准备

假设，某公司旗下有两个子公司，分别为A公司和B公司，且这两个子公司均在销售手机，其中A公司的手机日销售情况存储在CSV文件中，即文件company_a.csv；B公司的手机日销售情况存储在数据库的数据表中，即数据表company_b。

company_a.csv的数据内容：

数据表company_b的数据内容：

 

 

2、company_merge转换

（1）创建一个转换company_merge，并添加CSV文件输入控件、表输入控件、字段选择控件、排序合并控件、增加序列控件、表输出控件以及Hop跳连接线。

 

（2）各控件配置

1）配置CSV文件输入控件

选择要抽取的CSV文件company_a.csv并检索CSV文件获取字段名称，并对文件中字段的类型、格式、长度、精度等属性进行解析。

 

查看文件company_a.csv的数据是否抽取到CSV文件输入流中。

 

2）配置字段选择控件

自动检索并添加CSV文件输入控件输出的所有数据字段。

 

添加需要改变元数据的字段，将“字段选择”流中的字段进行一致性处理，获取要改变的字段，并在“Binary to Normal”一列的下拉框中，选择为“是”，使得CSV文件company_a.csv中数据的字段类型与数据表company_b中数据的字段类型一致。

 

3）配置表输入控件

新建数据库连接，编写查询数据表company_b的SQL语句。

 

查看数据表company_b的数据是否成功从MySQL数据库中抽取到表输入流中。

 

4）配置排序合并控件

在字段框中，指定按字段id进行升序排序。

 

5）配置增加序列控件

在“值的名称”处，指定要增加列的列名，这里使用默认的名称，即valuename，其它配置项不作任何改变。

 

6）配置字段选择2控件

在“选择和修改”处选择和修改要输出的字段。

 

7）配置表输出控件

指定输出目标表，即数据表company（该表需提前创建，这里不作演示）；勾选“指定数据库字段”复选框，用于将数据表company的字段与“字段选择2”控件输出流中的字段进行匹配。

单击“数据库字段”选项卡；再单击【输入字段映射】按钮，弹出“映射匹配”对话框，将一对对映射字段添加至“映射”选项框中。

 

“表输出”界面最终的配置如下。

 

3、运行company_merge转换

查看数据表company是否已成功插入40条数据。

 

二、不一致数据的转换

通过Kettle工具将对数据表company进行不一致数据的转换操作，即通过与供货商提供的标准价格表进行比较，得出不一致数据，从而进行修改，最终输出到数据表company中。

1、数据准备

A公司和B公司销售的手机均从同一个供货商手里采购，因此，同一品牌型号的手机，售价也应相同。但是，数据表company中存在同一品牌型号的手机，售价却不同。如图中关于苹果手机的4条记录brand和mode1均指向同一品牌和型号，而id为20这条数据价格字段（unitPrice）与其它3条数据的价格字段不同。

 

2、inconsistent转换

（1）创建一个转换inconsistent，并添加表输入控件、字段选择控件、记录集连接控件、插入/更新控件以及Hop跳连接线。

 

（2）各控件配置

1）配置表输入控件

新建数据库连接，编写查询数据表company中品牌型号不一致数据的SQL语句。

 

查看数据表company中品牌型号不一致数据是否成功从MySQL数据库中抽取到表输入流中。

 

2）配置表输入2控件

在SQL框中编写SQL语句，查询出不一致数据在数据表suppliers中的全部信息；在“从步骤插入数据”的下拉框选择“表输入”步骤；勾选“执行每一行”处的复选框，用于将表输入控件流中的数据放入到SQL语句对应的参数位置，通过条件查询与数据表suppliers中的数据进行匹配。

  

 

3）配置字段选择控件

添加表输入2控件流中的所有数据字段，并将字段unitPrice改名成unitPrice1。

 

由于后续操作不需要字段id，这里将id移除。

 

4）配置表输入3控件

在SQL框中编写查询与标准价格表（供货商提供的价格表）中品牌型号不一致数据的SQL语句。

 

查看数据表company中品牌型号不一致数据是否成功从MySQL数据库中抽取到表输入流中。

 

5）配置记录集连接控件

在“第一个步骤”处的下拉框中选择“字段选择”控件，“第二个步骤”处的下拉框中选择“表输入3”控件，用于将“字段选择”控件流中的数据与“表输入3”控件流中的数据进行合并连接；在“第一个步骤的连接字段”和“第二个步骤的连接字段”处添加连接字段，这里添加的连接字段是brand、model，用于将“字段选择”控件流中的字段brand、model与“表输入3”控件流中的字段brand、model进行连接；在“连接类型”处的下拉框选择连接类型，这里选择的RIGHT OUTER，即右外连接。

 

6）配置字段选择2控件

在“选择和修改”选项卡的字段名称处填写id和unitPrice1，用于在插入/更新控件中，通过唯一字段id修改对应的价格unitPrice1字段内容。

 

7）配置插入/更新控件

单击目标表右侧的【浏览】按钮，弹出“数据库浏览器”窗口，选择目标表company；单击【获取字段】按钮，用来指定查询数据所需要的关键字，也可通过手动输入，指定查询数据所需要的关键字，这里选择的是数据表company中的id字段和输入流里面的id字段；单击【获取和更新字段】按钮，用来指定需要更新的字。

3、运行inconsistent转换

查看数据表company是否已成功将数据表company中品牌型号相同、价格不同的数据修改成品牌型号价格均相同的数据。

 

三、数据粒度的转换

通过Kettle工具将对数据表company进行数据粒度的转换操作，即将数据表company中字段为salesArea的数据都统一成省级份，并存储到新数据表company_new中。

1、数据准备

A公司的日手机销售情况中的销售区域是市级，而B公司的日手机销售情况中的销售区域是省级，A公司和B公司的日手机销售情况合并后存储在数据表company中，通过仔细观察数据表company中字段为salesArea的一列，发现该列既包含市级也包含省级。数据表company中的部分数据内容。

 

2、granularity转换

（1）创建一个转换granularity，并添加表输入控件、字段选择控件、排序记录控件、记录集连接控件、过滤控件、空操作控件、表输出控件以及Hop跳连接线。

 

（2）各控件配置

1）配置表输入控件

新建数据库连接，编写查询数据表company_b的SQL语句。

 

查看数据表company_b的数据是否成功从MySQL数据库中抽取到表输入流中。

 

2）配置字段选择控件

在“选择和修改”选项卡的“字段”处手动添加所需字段，这里添加字段id和salesArea。

 

3）配置排序记录控件

在“字段”框中添加字段salesArea，以该字段为基础对整体数据进行升序排序。

 

4）配置表输入2控件

在SQL框中编写SQL语句，用于查询city数据表中字段city和pid的数据，用于与数据表company中字段salesArea进行合并连接。

 

 

查看city数据表中的字段city和pid的数据是否成功从MySQL数据库中抽取到表输入流中。

 

5）配置排序记录2控件

在“字段”框中添加字段city，以该字段为基础对整体数据进行升序排序。

 

6）配置记录集连接控件

在“第一个步骤”处的下拉框中选择“排序记录”控件，“第二个步骤”处的下拉框中选择“排序记录2”控件；在“第一个步骤的连接字段”和“第二个步骤的连接字段”处分别添加连接字段，这里添加的连接字段是salesArea和city，将“排序记录”控件流中的数据与“排序记录2”控件流中的数据进行合并连接；在“连接类型”处的下拉框选择连接类型，这里选择的LEFT OUTER，即左外连接。

 

7）配置字段选择2控件

在“选择和修改”选项卡的“字段”处手动添加所需字段，这里添加字段id、pid和salesArea。

 

8）配置排序记录3控件

在“字段”框中添加字段pid，以该字段为基础对整体数据进行升序排序。

 

9）配置表输入3控件

在SQL框中编写SQL，用于获取数据表provincial中字段为id和Provincial的数据，后续用于与“排序记录”控件流中的字段数据进行合并连接。

 

查看数据表provincial中字段为id和Provincial的数据是否成功从MySQL数据库中抽取到表输入流中。

 

10）配置排序记录4控件

在“字段”框中添加字段pid，以该字段为基础对整体数据进行升序排序。

 

11）配置记录集连接2控件

在“第一个步骤”处的下拉框中选择“排序记录3”控件，“第二个步骤”处的下拉框中选择“排序记录4”控件；在“第一个步骤的连接字段”和“第二个步骤的连接字段”处分别添加连接字段，这里分别添加的连接字段是pid和pid；在“连接类型”处的下拉框选择连接类型，这里选择的LEFT OUTER，即左外连接，在“字段”框中添加字段pid，以该字段为基础对整体数据进行升序排序。

 

12）配置过滤记录控件

在“条件”处设置过滤的条件，将字段为Provincial中值为“null”的数据过滤掉；在“发送true数据给步骤：”处的下拉框中选择“空操作”，将Provincial字段值为不为null的数据放在“空操作”控件中；在“发送false数据给步骤：”处的下拉框中选择“空操作（什么也不做）2”，将Provincial字段值为null的数据放在“空操作（什么也不做）2”控件中。

 

13）配置字段选择3控件

在“选择和修改”选项卡的“字段”处手动添加所需字段，这里添加字段id和Provincial，用于后续进行输出。

 

14）配置表输出控件

指定输出目标表，即数据表temporary；勾选“指定数据库字段”复选框，用于将数据表temporary的字段与字段选择3控件输出流中的字段进行匹配。

 

单击“数据库字段”选项卡；单击【输入字段映射】按钮，弹出“映射匹配”对话框。

单击【猜一猜】按钮，让Kettle自动实现映射。

 

15）配置字段选择4控件

在“选择和修改”选项卡的“字段”处手动添加所需字段，这里添加字段id和salesArea。

 

16）配置表输出2控件

指定输出目标表，即数据表temporary；勾选“指定数据库字段”复选框，用于将数据表temporary的字段与字段选择4控件输出流中的字段进行匹配。

 

单击“数据库字段”选项卡；单击【输入字段映射】按钮，弹出“映射匹配”对话框。

单击【猜一猜】按钮，让Kettle自动实现映射。

 

3、granularity_merge转换

（1）创建一个转换granularity_merge，并添加表输入控件、字段选择控件、排序记录控件、记录集连接控件、表输出控件以及Hop跳连接线。

 

（2）各控件配置

1）配置表输入控件

新建数据库连接，在SQL框中编写获取数据表temporary中字段id和salesArea的数据的 SQL语句。

 

查看数据表temporary中数据是否成功从MySQL数据库中抽取到表输入流中。

 

2）配置字段选择控件

在“选择和修改”选项卡的“字段”处手动添加所需字段，这里添加字段id和salesArea，后续用于与数据表company中的数据进行合并。

 

3）配置排序记录控件

在“字段”框中添加字段id，以此字段为基础对所有数据进行升序排序。

 

4）配置表输入2控件

在SQL框中编写SQL语句，用于查询数据表company中的全部数据。

 

查看数据表company中的数据是否成功从MySQL数据库中抽取到表输入流中。

 

5）配置字段选择2控件

在“选择和修改”选项卡的“字段”处手动添加所需字段，这里添加字段id、brand、model、unitPrice、number，后续通过字段id将数据表temporary中字段salesArea和数据表company中的数据进行合并。

 

6）配置排序记录2控件

在“字段”框中添加字段id，以此字段为基础对全部数据进行升序排序。

 

7）配置记录集连接控件

在“第一个步骤”处的下拉框中选择“排序记录”，“第二个步骤”处的下拉框中选择“排序记录2”；在“第一个步骤的连接字段”和“第二个步骤的连接字段”处添加连接字段，这里添加的连接字段是id和id，用于将“排序记录”控件流中的数据与“排序记录2”控件中的数据合并连接；在“连接类型”处的下拉框选择连接类型，这里选择的FULL OUTER，即完全外连接。

 

8）配置字段选择3控件

在“选择和修改”选项卡的“字段”处手动添加所需字段，由于源数据表company中包含字段id、salesArea、brand、model、unitPrice、number，因此需要获取“记录集连接”控件流中的字段id、salesArea、brand、model、unitPrice、number，用于与源数据表company中的字段相对应。

 

9）配置表输出控件

指定输出目标表，即数据表company_new；勾选“指定数据库字段”复选框，用于将数据表temporary的字段与字段选择3控件输出流中的字段进行匹配。

 

单击“数据库字段”选项卡；单击【输入字段映射】按钮，弹出“映射匹配”对话框。

单击【猜一猜】按钮，让Kettle自动实现映射。

 

4、运行granularity_merge转换

查看数据表company_new中字段为salesArea的数据是否都为省份级。

 

 

四、数据的商务规则计算

通过Kettle工具对数据表company_new中的数据进行商务规则的计算，即对数据表company_new中的数据进行相关处理和计算，从而得出手机在各省份的日销售额，并存储于数据表regional_sales中。

1、数据准备

我们可以通过对数据表company_new中的数据处理和计算，得出总公司需要的各省份的手机日销售额。数据表company_new中的数据内容。

2、total转换

（1）创建一个转换total，并添加表输入控件、字段选择控件、计算器控件、排序记录控件、分组控件、唯一行控件、表输出控件以及Hop跳连接线。

 

（2）各控件配置

1）配置表输入控件

新建数据库连接，在SQL框中编写查询数据表company_new中全部数据的SQL语句。

 

查看数据表company_new中数据是否成功从MySQL数据库中抽取到表输入流中。

 

2）配置字段选择控件

在“选择和修改”选项卡的“字段”处手动添加所需字段，这里添加字段id、salesArea、unitPrice和number，用于后续的计算处理。

 

添加需要改变元数据的字段，由于数据表company_new中字段unitPrice的数据类型为varchar（字符），字段number的类型为int，这字段类型不同的数据无法进行计算，因此需要将字段unitPrice的类型改为Integer，从而进行后续的计算操作。

 

4）配置计算器控件

在“字段”处，添加一个新字段salesAmount，用于存储计算出的手机日销售额；在“字段A”和“字段B”处的下拉选项中分别选择“unitPrice”（销售价格）和“number”（销售数量）字段；在“计算”处的下拉框中选择“A*B”，即表示将字段A与字段B进行相乘计算。

 

5）配置排序记录控件

在“字段”框中添加字段salesArea，以该字段为基础对所有数据进行升序排序。

 

6）配置分组控件

在“构成分组的字段”处的添加分组字段salesArea，将字段salesArea相同的数据分为一组，便于进行“聚合”操作；在“聚合”处添加一个新字段total，用于存储各省份的手机销售总额。

 

7）配置字段选择2控件

在“选择和修改”处选择需要的字段，这里选择的是字段salesArea和total，用于后续在“表输出”控件中进行输出操作。

 

8）配置唯一行控件

在“用来比较的字段”处添加要去重的字段，因为“字段选择2”控件流中字段total的数据有重复，所以需要进行去重操作，因此这里选择去重的字段为total。

 

9）配置表输出控件

指定输出目标表，即数据表regional_sales（该表需提前创建，这里不作演示）；勾选“指定数据库字段”复选框，用于将数据表regional_sales的字段与唯一行控件输出流中的字段进行匹配。

 

单击“数据库字段”选项卡；单击【输入字段映射】按钮，弹出“映射匹配”对话框。

单击【猜一猜】按钮，让Kettle自动实现映射。

 

3、运行total转换

查看数据表regional_sales是否已存储各省份手机日销售额。