kettle集群

Kettle中的集群

目录

Kettle中的集群... 1

1     设计... 2

1.1      定义Cluster schema. 2

1.2     定义转换. 5

2     执行转换... 7

2.1     启动子服务器. 7

2.1.1       脚本启动... 7

2.1.2       程序启动... 9

2.1.3       子服务器内幕... 10

2.2     运行转换. 12

2.2.1       spoon中运行... 12

2.2.2       编程运行... 13

2.2.3       运行内幕... 13

 

 

Kettle是一款开源的ETL工具,以其高效和可扩展性而闻名于业内。其高效的一个重要原因就是其多线程和集群功能。

Kettle的多线程采用的是一种流水线并发的机制,我们在另外的文章中专门有介绍。这里主要介绍的是kettle的集群。

   集群允许转换以及转换中的步骤在多个服务器上并发执行。在使用kettle集群时,首先需要定义的是Cluster schema。所谓的Cluster schema就是一系列的子服务器的集合。在一个集群中,它包含一个主服务器(Master)和多个从属服务器服务器(slave)。如下图所示。

    子服务器(Slave servers)允许你在远程服务器上执行转换。建立一个子服务器需要你在远程服务器上建立一个叫做“Carte”的 web 服务器,该服务器可以从Spoon(远程或者集群执行)或者转换任务中接受输入。

在以后的描述中,如果我们提到的是子服务器,则包括集群中的主服务器和从属服务器;否则我们会以主服务器和从属服务器来进行特别指定。

1           设计

要让转换是以集群方式执行,首先需要在Spoon中进行图形化的设计工作。定义一个以集群方式运行的转换,主要包括定义cluster schema和定义转换两个步骤。

 

1.1  定义Cluster schema

 

1.1.1.    创建子服务器

 

服务tab 选项

选项

描述

服务器名称

子服务器的名称

主机名称或IP地址

用作子服务器的机器的地址

端口号

与远程服务通信的端口号

用户名

获取远程服务器的用户名

密码

获取远程服务器的密码

是主服务器吗

在转换以集群形式执行时,该子服务器将作为主服务器

注意: 在集群环境下执行转化时,你必须有一个子服务器作为主服务器(master server)而其余所有的子服务器都作为从属服务器(slave

Proxy tab options

选项

描述

代理服务器主机名

设置你要通过代理进行连接的主机名

代理服务器端口

设置与代理进行连接时所需的端口号

 

 

Ignore proxy for hosts: regexp|separated

指定哪些服务器不需要通过代理来进行连接。该选项支持你使用正则表达式来制定多个服务器,多个服务器之间以' | ' 字符来进行分割  

 

1.1.2.    创建cluster schema

选项描述

选项

描述

Schema 名称

集群schema的名称

端口号

这里定义的端口号是指从哪一个端口号开始分配给子服务器。每一个在子服务器中执行的步骤都要消耗一个端口号。

注意: 确保没有别的网络协议会使用你定义的范围之类的端口,否则会引起问题

Sockets缓存大小

TCP内部缓存的大小

Sockets刷新间隔(rows)

TCP的内部缓存通过网络完全发送出去并且被清空时处理的行数

Sockets数据是否压缩

如果该选项被选中,则所有的数据都会使用Gzip压缩算法进行压缩以减轻网络传输量

Dynamic Cluster

动态集群指的是在运行的时候才能获知从属服务器的信息。这种情形适用于主机可以自动增加或者去除的情形,例如云计算。

主服务器的设置不变,但是它可以接受从属服务器的注册。一旦接受了某个从属服务器的注册,则每隔30秒去监视该从属服务器是否还处于有效状态

子服务器

这里是一个要在集群中使用的服务器列表。这个列表中包含一个主服务器和任意数目的从属服务器。

dynamic Cluster的情况下,只需要选择主服务器即可

 

1.2          定义转换

定义完了cluster schema后,下一步就是定义在集群环境下执行的转换。我们这里展现的只是一个最简单的例子,完全是为了演示而用。现实情况中的集群有可能非常复杂。

首先你像平时一样创建转换,以hop连接连个两个步骤。然后你指定第二个步骤将在集群下执行

 

 

然后选择需要使用的集群。转换如图一样显示在GUI中。

   注意 Cx4显示这个步骤将在集群中运行,而这个集群中有4个从属服务器。假设我们将计算结果再次存入到数据表中

 

    这个转换虽然定义了集群,但是我们同样可以让它在单机环境下执行,而且可以得到相同的结果。这意味着你可以使用普通的本地模式来测试它。

 

2           执行转换

要想以集群方式来运行转换或者作业,首先需要启动在Cluster  schema中定义的主服务器和从属服务器,然后再运行转换或者作业。

2.1          启动子服务器

子服务器其实是一个嵌入式的名为Carteweb server。要进行集群转换,首先需要启动cluster schema中的子服务器

 

2.1.1     脚本启动

    kettle提供了carte.batcarte.shlinux)批处理脚本来启动子服务器,这种启动方式分为两种

2.1.1.1   使用主机号和端口号

     Carte 127.0.0.1 8080

     Carte 192.168.1.221 8081

 

2.1.1.2   使用配置文件

Carte  /foo/bar/carte-config.xml

Carte http://www.example.com/carte-config.xml

如果cluster schema中定义了Dynamic cluster选项,则必须使用配置文件来进行启动,当这个子服务器启动时,它需要向配置文件中“masters”中列出的主服务器列表中汇报其运行状态(通过调用主服务器的registerSlave服务),已达到动态地设置子服务器的目的。配置文件格式

  <slave_config>

  <masters>

    <slaveserver>

      <name>master1</name>

      <hostname>localhost</hostname>

      <port>8080</port>

      <username>cluster</username>

      <password>cluster</password>

      <master>Y</master>

    </slaveserver>

  </masters>

 

  <report_to_masters>Y</report_to_masters>

 

  <slaveserver>

    <name>slave4-8084</name>

    <hostname>localhost</hostname>

    <port>8084</port>

    <username>cluster</username>

    <password>cluster</password>

    <master>N</master>

  </slaveserver>

</slave_config>

 

这个配置文件主要包括以下几个节点

Ø       masters: 这里列出来的服务器是当前子服务器需要向其汇报状态的主服务器。如果当前这个子服务器是主服务器,则它将连接其它的主服务器来获得这个集群中的所有子服务器。

Ø       report_to_masters : 如果为Y,则表示需要向定义的主服务器发送消息以表明该从属服务器存在

Ø       slaveserver : 这里定义的就是当前carte实例运行时需要的子服务器的配置情况

这里定义的usernamepassword在向主服务器调用Register服务时连接主服务器时提供的安全设置。在 <slaveserver> 部分,你可以使用<network_interface> 参数,这个参数的优先级高于<hostname>参数 ,如果你的机器中安装有多个网卡,这个设置可以起作用。

2.1.2    程序启动

   Kettle提供了org.pentaho.di.www.Carte类,你可以通过该类提供的函数来启动或者停止子服务器。

Ø         启动子服务器

SlaveServerConfig config = new SlaveServerConfig(hostname, port, false);

Carte. runCarte(config);

 

Ø         停止子服务器

carte.getWebServer().stopServer();

 

2.1.3    子服务器内幕

    我们前面提到过子服务器实际上就是一个web server,web server是基于Jetty这个嵌入式的开源servlet容器。

这个web server主要是提供转换运行的环境,另外一个重要的功能通过提供servlet来在客户端、主服务器和从属服务器之间进行通讯和控制。主服务器和从属服务器之间是通过httpClient来进行通讯的,通讯时传递的数据是xml格式。通过提供的servlet,可以实现启动、停止、暂停转换或者作业、获得转换或者作业的状态、注册子服务器、获得子服务器的列表等等

Kettle主要提供了以下的几种基于servlet的服务

Ø         GetRootServlet:获得Carte的根目录

Ø         GetStatusServlet:获得在服务器上运行的所有的转换和作业的状态

Ø         GetTransStatusServlet:获得在服务器上运行的某个指定的转换的每个步骤的运行状态。

Ø         PrepareExecutionTransServlet:让服务器上的某个指定的转换做好运行的准备。

Ø         StartTransServlet:执行服务器上的某个指定的转换

Ø         PauseTransServlet:暂停或者重新运行某一个转换

Ø         StopTransServlet:停止正在运行的转换

Ø         CleanupTransServlet:清理运行转换时的环境

Ø         AddTransServlet:向子服务器中增加某个转换。如果服务器中有正在运行或者准备运行的相同名字的转换,则抛出异常。

Ø         AllocateServerSocketServlet:分配一个新的socket端口号。这个端口号是基于你在定义cluster schema中设置的端口号,依次加1

Ø         StartJobServlet:执行服务器上某个指定的作业

Ø         StopJobServlet:停止正在运行的作业

Ø         GetJobStatusServlet:获得某个指定作业的状态

Ø         AddJobServlet:向当前的子服务器中添加某个作业。

Ø         RegisterSlaveServlet:注册某个服务器的信息。服务器信息包括子服务器是否活动、最新活动的时间、最新不活动的时间。这个在dynamic cluster中需要用到,由从属服务器向主服务器汇报当前状态。

Ø         GetSlavesServlet:获得集群中子服务器的信息

Ø         AddExportServlet:以zip文件的形式向caret服务器传递作业或者转换信息,并将信息加入到服务器中。

 

2.2          运行转换

2.2.1    spoon中运行

   kettle的集成设计环境spoon中,你可以选择转换中的“运行”菜单项,或者按F9快捷键,弹出以下的窗口

这里有三个选项来决定转换是以什么方式来执行

Ø       本地执行: 转换或者作业将在你现在使用的JVM中运行。

Ø       远程执行: 允许你指定一个想运行转换的远程服务器。这需要你在远程服务器上安装Pentaho Data IntegrationKettle)并且运行Carte子服务器。

Ø       集群方式执行: 允许你在集群环境下执行作业或者转换

 

当你选择“集群方式执行”选项是,你可以选择以下的选项

Ø       提交转换: 分解转换并且将转换提交到不同的主服务器和从属服务器。

Ø       准备执行: 它将在主服务器和从属服务器上执行转换的初始化阶段。

Ø       开始执行: 它将在主服务器和从属服务器中执行实际的转换任务。

Ø       显示转换: 显示将要在集群上执行的生成的转换(可以参看下面的分析).

2.2.2    编程运行

     你也可以通过使用Kettle提供的API通过编程来以集群的方式运行转换。

TransMeta transMeta = new TransMeta("cluster.ktr");

   //设置执行模式

TransExecutionConfiguration config = new TransExecutionConfiguration();

config.setExecutingClustered(true);

config.setExecutingLocally(false);

config.setExecutingRemotely(false);

config.setClusterPosting(true);

config.setClusterPreparing(true);

config.setClusterStarting(true);

config.setLogLevel(LogWriter.LOG_LEVEL_BASIC);

TransSplitter transSplitter = Trans.executeClustered(transMeta, config);

long nrErrors = Trans.monitorClusteredTransformation("cluster  test", transSplitter, null, 1);

 

需要注意的是这段代码可以在一个独立的JVM中执行,而不必要在主服务器中执行。

 

2.2.3    运行内幕

     当以集群方式来运行转换时,Kettle主要执行以下几个步骤来执行分布式的处理

Ø 分解转换

在定义转换的时候,如果在某个步骤中定义使用集群,那么这个步骤其实是在从属服务器(slave server)上执行的,例如我们在前面定义转换的modify javascript value步骤中,我们定义了使用集群,那么这个步骤将在从属服务器中执行;而Cx4表示这个步骤是在4个从属服务器上执行。如果步骤中没有定义集群,则表示该步骤是在主服务器(master server)上执行。如果前一步骤在主服务器上执行,而后一步骤需要在从属服务器上执行,或者相反,则这时需要分别在前一步骤和后一步骤之间建立一个remoteStep步骤,前面的remoteStep建立socketWriter进程,它负责从上一步骤中取出数据然后通过socket传输到对应的子服务器的remoteStep中。而后一步骤所在的子服务器的remoteStep步骤则建立一个socketReader,负责从socket中获取数据,并将数据将数据传输到后一步骤中,以供后一步骤来进行后续处理。

所以在以集群方式执行转换时,首要的任务是将转换分解成可以在各个子服务器上执行的转换。

我们还是以上面建立的转换来进行分析描述:

 

上图是在主服务器上建立的转换

And 4 slaves transformations:

上图是在4个从属服务器上建立的转换,我们可以注意到这四个从属服务器上的转换是一样的,除了端口号不一样。另外我们还注意到在前述Cluster Schema 定义中我们指定了端口号为4000,则为每一个建立的socket连接就是端口号4000开始,依次加1。另外,还可以看到数据是通过使用socket  Writersocket ReaderremoteStep步骤通过TCP/IPsocket来传递数据的。

 

Ø         提交转换

对于第一步骤生成的子转换,将调用每个子服务器提供的AddTransServlet服务将转换的信息增加到每个子服务器中(包括主服务器和从属服务器)。

Ø         准备转换

调用每个子服务器的PrepareExecutionTransServlet服务来准备转换

Ø         启动转换

调用每个子服务器的StartExecutionTransServlet服务来启动转换。

Ø         监控转换

在各服务器的转换都启动后,调用Trans.monitorClusteredTransformation来监控各个服务器的运行状态(使用各子服务器提供的GetTransStatusServlet服务来获得每个子服务器的状态)。

 

阅读更多
想对作者说点什么? 我来说一句

kettle集群及动态集群设置

2016年04月08日 540KB 下载

没有更多推荐了,返回首页

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭