大数据ETL工具kettle与sqoop对比分析

sqoop有两个版本：sqoop1和sqoop2，sqoop2功能比sqoop强一些，但sqoop2产品不成熟，不适合生产环境使用，且CDH和Ambari HDP都默认集成sqoop1，所以不考虑sqoop2。

本文仅比较kettle和sqoop1：

对比项	Kettle	Sqoop1
适用场景	数据ETL，简单或复杂的数据抽取、数据转换、数据清洗、数据过滤、数据同步。 支持丰富的数据源和数据输出形式，适用于多种数据源之间数据同步，大数据清洗转换处理	仅适用于关系型数据库与大数据平台之间数据迁移同步
支持系统	Linux、Windows	Linux
学习资源	丰富，有中文社区，功能多知识点多	一般，因功能少知识量少，学习资料重复率高
部署难度	一般，需独立部署，有一些配置	简单，在CDH、Ambari HDP添加sqoop服务，可视化界面操作
大数据平台集成	不支持	CDH、Ambari HDP均支持集成sqoop1.4.7
依赖性	独立部署运行，不依赖第三方软件	依赖大数据平台CDH或HDP
集群	支持	支持
使用难度	一般，可视化界面操作，入门简单。需要一月左右时间才能深入熟悉和掌握大部分功能	简单，只需熟悉sqoop命令
可视化界面	支持，可在spoon界面上操作	不支持，只能通过后台命令操作
扩展性	扩展性很强，可自定义Java代码或sql脚本处理	不支持
研发工作量	较大	一般
定时任务	支持，自带定时任务功能较弱，可独立部署web服务由xxl-job等定时任务远程调度执行	本身不支持，可借助xxl-job等定时任务远程调度命令脚本执行
增量同步	有条件支持，需自定义增量同步策略	有条件支持，需自定义增量字段last-value值，只能手工操作执行
数据清洗处理	支持	不支持
Atlas支持	不支持	支持
安全性	密码加密、访问可授权，不支持kerberos和ranger	不支持密码加密，支持kerberos认证，ranger权限管理
性能	性能较强，单机同步性能可达到每秒十万条以上	千万级以下小数据量性能较差，亿级以上大数据同步性能较好
优点	功能强大、支持丰富的数据源和数据输出形式，扩展性强，有可视化图形开发界面，入门容易，性能较强	在大数据平台上部署简单，亿级以上大数据同步性能较好
缺点	软件包比较大，开发工作量大	无界面，只能通过命令行脚本操作，不支持扩展开发，功能少，不支持数据清洗处理
数据源-关系型数据库	支持绝大部分关系型数据库	支持MySQL、Oracle等主流关系型数据库
数据源-文件	支持多种文件格式导入	不支持
数据源-非关系型数据库	支持多种非关系型数据库	不支持
数据源-HTTP接口消息	支持	不支持
数据源-大数据存储	支持	仅支持从大数据存储HDFS导出文本文件（可以是hive表数据文件）到关系型数据库
数据源-流	支持kafka、JMS、MQTT	不支持
数据输出-关系型数据库	支持绝大部分关系型数据库	支持MySQL、Oracle等主流关系型数据库
数据输出-文件	支持多种文件格式导入	不支持
数据输出-非关系型数据库	支持多种非关系型数据库	不支持
数据输出-Web接口消息	支持	不支持
数据输出-大数据存储	支持多种大数据存储	支持HDFS、Hive、HBASE、accumulo、hcatalog大数据存储
数据输出-流	支持kafka、JMS、MQTT	不支持