01-PDI(Kettle)简介与安装

01-PDI(Kettle)简介与安装

最好的学习资料就是官网，附上官网文档地址：
PDI官方文档地址
https://help.hitachivantara.com/Documentation/Pentaho/9.2/Products/Pentaho_Data_Integration

PDI(Kettle)简介

Kettle是一个Java编写的ETL工具，主作者是Matt Casters，2003年就开始了这个项目，目前最新稳定版为9.2。

2005年12月，Kettle从2.1版本开始进入了开源领域，一直到4.1版本遵守LGPL协议，从4.2版本开始遵守Apache Licence 2.0协议。

开源协议区别可参考如下博客：
https://blog.csdn.net/qwertyuiop_123abc/article/details/82110221
也可参考如下图片（阮一峰创作）：

为什么标题为PDI(Kettle)简介与安装呢，这是因为 Kettle在2006年初加入了开源的BI公司Pentaho, 正式命名为：Pentaho Data Integeration，简称“PDI”。 自2017年9月20日起，Pentaho已经被合并于日立集团下的新公司： Hitachi Vantara。

Kettle可以简化数据仓库的创建，更新和维护，使用Kettle可以构建一套开源的ETL解决方案。

Kettle的组成

Spoon.bat/sh: 勺子 ：图形化界面，可以用图形化的方式开发transform和job
Pan.bat/sh:煎锅 ，利用Pan调用transform
kitchen.bat/sh:厨房，利用ktichen命令来调用job
Carte.bat/sh: 菜单，用来构建web集群服务

Kettle安装

1. 下载地址：
   https://sourceforge.net/projects/pentaho/
   进入后点击file，然后选择对应的版本即可。
   选择对应的版本后，可以选择不同的Kettle版本（客户端或服务端），一般可使用client-tools版本（可本地安装后直接运行）即可。
   本博客下载的版本为8.2版本，具体下载地址为：
   https://sourceforge.net/projects/pentaho/files/Pentaho%208.2/client-tools/
   选择下载量最多的pdi-ce-8.2.0.0-342.zip，单击即可下载。

下载完成，将压缩包解压，解压完成，只要电脑有jdk1.8环境，即可直接使用，本博客的安装目录：
E:\pdi-ce-8.2.0.0-342\data-integration\

2. 目录结构
   3. 启动测试：
   在E:\pdi-ce-8.2.0.0-342\data-integration\目录下双击Spoon.bat即可打开Kettle的可视化编程界面
   为了便于下次使用，可以将Spoon.bat创建快捷方式，同时右键该快捷方式–更改图标–浏览–选择安装目录–选择spoon.ico点击确定
   

Kettle核心知识点

1. kettle的两种设计模型

transformation转换：完成针对数据的基础转换。转换负责数据的输入、转换、校验和输出等工作，kettle中使用转换完成数据ETL的全部工作，转换由多个步骤Step组成。各个步骤由跳hop链接。跳定义了一个数据流通道，即数据由一个步骤流（跳）向下一个步骤。在Kettle中数据的最小单位是数据行（row），数据流中流动的是缓存的行集（rowset）。

Job作业：完成整个工作流的控制

区别：

• 作业是步骤流（一般为串行），转换是数据流（并行）
• 作业的每一个步骤，必须等到前面的步骤都跑完了，后面的步骤才会执行；而转换会一次性把所有的控件全部启动（一个控件对应启动一个线程），然后数据流会从第一个控件开始，一条记录，一条记录的流向最后的控件。

2. 步骤step

一个步骤有如下几个关键特性：

1. 步骤需要名字，名字在同一个转换范围内唯一
2. 每个步骤都会读写数据行，唯一例外是“生成记录”步骤
3. 步骤将数据写到与之相连的一个或多个输出跳hop，再传到到跳的另一端的步骤
4. 大多数的步骤都可以由多个输出跳，一个步骤的数据发送可以被设置为分发和复制。分发是目标步骤轮流接受数据，复制为同时接受数据。一个步骤连接两个步骤时，会提示选择分发还是复制。

3. 跳hop

1. 跳是步骤之间带箭头的连线，跳定义了步骤之间的数据通道。
2. 跳实际上是两个步骤之间的被称为行集的数据行缓存。行集的大小可以在转换的设置里定义。当行集满了，向行集写数据的步骤将停止写入，直到行集里又有了空间，当行集空了，从行集读取数据的步骤停止读取，直到行集了又有了可选的数据行。在转换的空白处双击，会弹出转换属性

4. 元数据

每个步骤在输出数据行时都有对字段的描述，这种描述就是数据行的元数据。通常包含如下信息。

1. 名称：数据行里的字段名是唯一的
2. 数据类型：字段的数据类型。
3. 格式：数据显示的方式，如Integer的#，0.00
4. 长度：
5. 精度
6. 货币符号
7. 小数点符号
8. 分组符号

5. 并行

跳的这种基于行缓存的规则，允许每个步骤都由一个独立的线程运行，这样并发程度最高。这一规则也允许数据以最小消耗内存的数据流的方式来处理。在数据仓库里，我们经常需要处理大量数据，这种高并发低消耗的方式也是ETL工具的核心需求。

对于kettle的转换，不能定义一个执行顺序，因为所有的步骤都是并发方式执行；当转换启动后，所有步骤都同时启动，从它们的输入跳中读取数据，并发处理过的数据写出到输出跳，直到输出跳里不再有数据，就中止步骤的运行，当所有的步骤都中止了，整个转换就中止了。

如果一个任务要沿着指定的顺序执行，就需要使用到作业了。

6. 作业

作业，负责定义一个完成整个工作流的控制，比如将转换的结果发送邮件给相关人员，因为转换以并行方式执行，所以必须存在一个串行的调度工具来执行转换，这就是Kettle中的作业。

7. 注释

在spoon界面，空白处右键 选择new note可以添加注释用于辅助理解整个ETL过程。

8. Kettle配置

修改语言 tools – options – look feel – preferred language
修改字体 tools – options – look feel – Font on Workspace

9. Kettle文件存储方式：

文件后缀：
转换文件后缀为ktr
工作文件后缀为kjb

存储方式：
以XML形式存储（本地文件）
以资源库的方式存储(数据库和文件)