第四章 数据抽取

4.1TSV文件的抽取

案例介绍：

通过Kettle工具抽取TSV文件tsv_extract.tsv中的数据保存至数据库extract中的数据表tsv中。

步骤：

一：打开kettle工具，创建转换

①通过使用Kettle工具，创建一个转换tsv_extract，添加“文本文件输入”控件、“表输出”控件以及Hop跳连接线。

二：配置文本文件输入控件

②双击“文本文件输入”控件，进入“文本文件输入”界面。单击【浏览】按钮，选择要抽取的文件tsv_extract.tsv。，单击【增加】按钮，将要抽取的TSV文件添加到转换“tsv_extract”中。单击“内容”选项卡，清除分隔符处默认分隔符“；”并单击【Insert TAB】按钮，在分隔符处插入一个制表符；取消勾选“头部”复选框。单击【预览记录】按钮，查看文件tsv_extract.tsv的数据是否成功抽取到文本文件输入流中。

三：配置表输出控件

③双击“表输出”控件，进入“表输出”控件的配置界面。单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。单击目标表右侧的【浏览】按钮，获取目标表，即数据表tsv。勾选图4-13中的“指定数据库字段”复选框。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“源字段”选项框的字段和“目标字段”选项框对应的字段进行映射匹配。“表输出”控件配置的最终效果。

四：运行转换

案例如下：

 

 

 

 

 

 

 

 

 

 

 

4.1CSV文件的抽取

案例介绍：

通过Kettle工具抽取CSV文件csv_extract.csv中的数据并保存至数据库extract的数据表csv中。

步骤：

一：打开kettle工具，创建转换

①通过使用Kettle工具，创建一个转换csv_extract，并添加“CSV文件输入”控件、“表输出”控件以及Hop跳连接线。

二：配置CSV文件输入控件

②双击“CSV文件输入”控件，进入“CSV文件输入”界面。单击【浏览】按钮，选择要抽取的文件csv_extract.csv。单击【获取字段】按钮，Kettle自动检索CSV文件，并对文件中的字段类型、格式、长度、精度等属性进行分析。单击【预览】按钮，查看文件csv_extract.csv的数据是否抽取到CSV文件输入流中。

三：配置表输出控件

③单击【预览】按钮，查看文件csv_extract.csv的数据是否抽取到CSV文件输入流中。双击“表输出”控件，进入“表输出”控件的配置界面。单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。单击目标表右侧的【浏览】按钮，获取目标表，即数据表csv；勾选“指定数据库字段”的复选框。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“源字段”选项框的字段和“目标字段”选项框对应的字段进行映射匹配。“表输出”控件配置的最终效果。

四：运行转换

案例如下：

 

 

 

 

 

 

 

 

 

 

 

 

4.2HTML网页数据的抽取

案例介绍：

通过Kettle工具抽取HTML网页的数据，并保存至数据库extract中的数据表html中。

步骤：

一：打开kettle工具，创建转换

①通过使用Kettle工具，创建一个转换转换html_extract，并添加“自定义常量数据”输入控件、“HTTP client”查询控件和“Java代码”脚本控件。

二：配置自定义常量数据控件

②双击“自定义常量数据”控件，进入“自定义常量数据”界面。单击“元数据”选项卡，定义一个字段常量filename并指定数据类型String；单击“数据”选项卡，添加html形式数据所在的URL，即https://movie.douban.com/chart。

三：配置HTPP client控件

③双击“HTTP client”控件，进入“HTTP web service”界面。勾选图4-40的“从字段中获取URL？”的复选框；在“URL字段名”处的下拉框中选择URL字段名，即filename；在“结果字段名”处指定结果字段名称，这里选择默认的结果字段result。“HTTP client”控件配置的效果如图所示。

四：配置java代码控件

④双击“Java”控件，进入“Java代码”界面。双击“Code Snippits”→ “Common use”→ “Main”，添加Java脚本代码的主方法，即程序入口。在“Java代码”控件中的代码框编写抽取HTML网页数据的Java脚本代码（具体代码请参考教材文件4-1 Processor.class）。 单击“Java代码”控件中的“字段”选项卡，用于添加新生成的字段；单击“参数”选项卡，用于传入参数。“字段”选项卡界面和“参数”选项卡界面具体如图所示。

五：运行转换

案例如下：

 

 

 

 

 

 

 

 

 

 

 

4.2XML文件的数据抽取

案例介绍：

通过Kettle工具抽取XML文件xml_extract.xml中的数据并保存至数据库extract的数据表xml中。

步骤：

一：打开kettle工具，创建转换

①通过使用Kettle工具，创建一个转换转换xml_extract，并添加“Get data from XML”控件、“表输出”控件以及Hop跳连接线。

二：配置Get data from XML控件

②双击“Get data from XML”控件，进入“XML文件输入”界面。单击【浏览】按钮，选择要抽取的XML文件xml_extract.xml。单击“内容”选项卡，单击【获取XML文档的所有路径】选择循环读取路径，即/AllRows/Rows/Row。单击“字段”选项卡，添加要抽取的字段。

三：配置表输出控件

③双击“表输出”控件，进入“表输出”配置界面。单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。单击目标表右侧的【浏览】按钮，选择输出的目标表，即xml数据表；勾选“指定数据库字段”的复选框，用于将数据表xml的字段与XML文件xml_extract.xml文件中的字段进行匹配。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“源字段”选项框的字段和“目标字段”选项框对应的字段进行映射匹配。“表输出”控件配置的最终效果。

四：运行转换

案例如下：

 

 

 

 

 

 

 

 

 

 

 

 

4.2JSON文件的数据抽取

案例介绍：

通过Kettle工具抽取JSON文件json_extract.json中的数据并保存至数据库extract中的数据表json中。

步骤：

一：打开kettle工具，创建转换

①通过使用Kettle工具，创建一个转换json_extract，并添加“JSON input”控件、“表输出”控件以及Hop跳连接线。

二：配置JSON文件输入控件

②双击“JSON input”控件，进入“JSON输入”界面。单击【浏览】按钮，选择要抽取的JSON文件json_extract.json；单击【增加】按钮，将所选择的文件添加到“选中的文件和目录”处。单击“字段”选项卡，添加要抽取的数据字段（这里采用分层抽取数据字段，先抽取id和data字段，再从data字段中抽取field和value字段）。双击“JSON input 2”控件，进入“JSON输入”界面。勾选“源定义在一个字段里？”的复选框；在“从字段获取源”处的下拉框中选择字段名，即data。单击“字段”选项卡；添加从字段data中抽取的field和value字段。

三：配置表输出控件

③双击“表输出”控件，进入“表输出”配置界面。单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。单击目标表右侧的【浏览】按钮，选择输出的目标表，即数据表json；勾选“指定数据库字段”的复选框，用于将数据表json的字段与JSON文件json_extract.json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“源字段”选项框的字段和“目标字段”选项框对应的字段进行映射匹配。

四：运行转换

案例如下：

 

 

 

 

 

 

 

 

 

4.3抽取关系型数据库的数据

案例介绍：

通过Kettle工具抽取数据表student的数据保存至MySQL数据库的数据表student_mysql中。

步骤：

一：打开kettle工具，创建转换

①通过Kettle工具抽取数据表student的数据保存至MySQL数据库的数据表student_mysql中。

二：配置表输入控件

②双击“表输入”控件，进入“表输入”配置界面” 。单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。在SQL框中编写查询数据表student的SQL语句，然后单击【预览】按钮，查看数据表student的数据是否成功从SQL Server数据库中抽取到表输入流中。

三：配置表输出控件

③双击“表输出”控件，进入“表输出”配置界面。单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。单击【浏览】按钮，选择输出的目标表，即数据表student；勾选“指定数据库字段”的复选框，用于将数据表student的字段与数据表student_mysql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“源字段”选项框的字段和“目标字段”选项框对应的字段进行映射匹配。

四；运行转换

案例如下：

 

 

 

 

 

 

 

 

4.3抽取非关系型数据库的数据

案例介绍：

通过Kettle工具抽取集合Personal information中的数据保存至MySQL中的数据表Personal information中。

步骤：

一：打开kettle工具，创建转换

①通过使用Kettle工具，创建一个转换mongodb_mysql_extract，并添加“MongoDB input”控件、“JSON input”控件、“表输出”控件以及Hop跳连接线。

二：配置表输入控件

②双击“MongoDB input”控件，进入“MongoDB input”配置界面。单击“Input options”选项卡，指定数据库和数据表，即在“Database”处添加数据库mongodb_mysql，在“Collection”处添加集合Personal information。单击“Fields”选项卡，勾选“Output single JSON field”的复选框，并在“Name of JSON output field”处指定输出的字段名为json。

三：配置JSON input控件

③双击“JSON input”控件，进入“JSON input”配置界面。单击“文件”选项卡，配置数据的获取源，勾选“源定义在一个字段里？”的复选框，在“从字段获取源”的下拉框中选择从json字段获取数据。单击“字段”选项卡，添加要抽取的数据字段。

四：配置表输出控件

④双击“表输出”控件，进入“表输出”配置界面。单击【新建】按钮，配置数据库连接，配置完成后单击【确认】按钮。单击目标表右侧的【浏览】按钮，选择输出的目标表，即数据表personal information；勾选“指定数据库字段”的复选框，用于将MySQL中数据表Personal information的字段与MongoDB中集合Personal information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“源字段”选项框的字段和“目标字段”选项框对应的字段进行映射匹配。

五：运行转换

案例如下：