Pentaho Work with Big Data（八）—— kettle集群

一、简介
        集群技术可以用来水平扩展转换，使它们能以并行的方式运行在多台服务器上。转换的工作可以平均分到不同的服务器上。
        一个集群模式包括一个主服务器和多个子服务器，主服务器作为集群的控制器。简单地说，作为控制器的Carte服务器就是主服务器，其他的Carte服务器就是子服务器。
        一个集群模式也包含元数据，元数据描述了主服务器和子服务器之间怎样传递数据。在Carte服务器之间通过TCP/IP套接字传递数据。

二、环境
4台CentOS release 6.4虚拟机，IP地址为
192.168.56.104
192.168.56.102
192.168.56.103

192.168.56.104作为主Carte。
192.168.56.102、192.168.56.103作为子Carte。
192.168.56.104、192.168.56.102、192.168.56.103分别安装Pentaho的PDI，安装目录均为/home/grid/data-integration。

PDI版本：6.0

三、配置静态集群
1. 建立子服务器
（1）打开PDI，新建一个转换。
（2）在“主对象树”标签的“转换”下，右键点击“子服务器”，新建三个子服务器。如图1所示。

图1

说明：
. master、slave1、slave2的配置分别如图2、图3、图4所示。

图2

图3

图4

. “用户名”和“密码”项在各自子服务器的/home/grid/data-integration/pwd/kettle.pwd文件中定义，如图5所示。

图5

2. 建立集群模式
在“主对象树”标签的“转换”下，右键点击“Kettle集群Schemas”，新建一个名为“cluster”集群模式。如图6所示。

图6

说明：
. cluster的配置如图7所示。

图7

. 集群模式中加入了上一步建立的一主两从Carte子服务器。

3. 编辑转换
（1）建立转换如图8所示。

图8

说明：
. 这个转换的详细配置参考 http://blog.csdn.net/wzy0623/article/details/51160948中的“把数据从Hive抽取到RDBMS”。
. 右键点击“Table output”，选择弹出菜单里的“集群...”，如图9所示。

图9

. 在弹出窗口中选择上一步建立的集群模式“cluster”后，点击确定，如图10所示。

图10

此时会看到“Table output”步骤的右上角出现“Cx2”标志，如图8的红框中所示，说明此步骤在集群的两个子服务器上运行。
. “Table input”没有集群标志，说明此步骤在主服务器上运行。

4. 执行与监控
（1）在192.168.56.104上执行下面的命令启动master。

cd /home/grid/data-integration/
./carte.sh 192.168.56.104 8181

（2）在192.168.56.102上执行下面的命令启动slave1。

cd /home/grid/data-integration/
./carte.sh 192.168.56.102 8181

（3）在192.168.56.103上执行下面的命令启动slave2。

cd /home/grid/data-integration/
./carte.sh 192.168.56.103 8181

（4）保存并执行转换，如图11所示，选择“集群方式执行”，勾选“提交转换”、“准备执行”、“开始执行”三项，然后点击“启动”执行转换。

图11

（5）右键点击“cluster”，选择弹出菜单中的“Monitor all slave servers”，如图12所示。

图12

（6）转换成功执行后，会在监控标签中看到执行信息，如图13到15所示。

图13

图14

图15

从图13可以看到，“Table input”步骤在master运行，从hive表读取36616行记录，向“Table output”步骤输出36616行记录。
从图14、图15可以看到，“Table output”步骤分别在两个子服务器slave1、slave2上运行，各自读取了18308行记录，并分别向mysql表写了18308行记录。此时查看mysql表，共写入了36616行记录。如图16所示。

图16

四、配置动态集群
1. 建立子服务器，这步和配置静态集群相同。

2. 建立集群模式
在“主对象树”标签的“转换”下，右键点击“Kettle集群Schemas”，新建一个名为“cluster_dynamic”集群模式。如图17所示。

图17

说明：
. cluster_dynamic的配置如图18所示。

图18

. 与配置静态集群不同，这里只加入了master。

3. 编辑转换
（1）建立转换如图19所示。

图19

说明：
. 这个转换的详细配置参考 http://blog.csdn.net/wzy0623/article/details/51160948中的“把数据从Hive抽取到RDBMS”。
. 右键点击“Table output”，选择弹出菜单里的“集群...”，如图9所示。
. 在弹出窗口中选择上一步建立的集群模式“cluster_dynamic”后，点击确定，如图20所示。

图20

此时会看到“Table output”步骤的右上角出现“CxN”标志，如图19的红框中所示，说明此步骤在集群的两个子服务器上运行。
. “Table input”没有集群标志，说明此步骤在主服务器上运行。

4. 执行与监控
（1）在192.168.56.104上编辑/home/grid/data-integration/pwd/carte-config-8181.xml文件，内容如下：

<slave_config>
 <slaveserver>
   <name>master</name>
   <hostname>192.168.56.104</hostname>
   <port>8181</port>
   <username>cluster</username>
   <password>mypassword</password>
   <master>Y</master>
 </slaveserver>
</slave_config>

 （2）在192.168.56.102上编辑/home/grid/data-integration/pwd/carte-config-8181.xml文件，内容如下：

<slave_config>
  <masters>
    <slaveserver>
      <name>master</name>
      <hostname>192.168.56.104</hostname>
      <port>8181</port>
      <username>cluster</username>
      <password>mypassword</password>
      <master>Y</master>
    </slaveserver>
  </masters>

  <report_to_masters>Y</report_to_masters>

  <slaveserver>
    <name>slave1</name>
    <hostname>192.168.56.102</hostname>
    <port>8181</port>
    <username>cluster</username>
    <password>mypassword</password>
    <master>N</master>
  </slaveserver>
</slave_config>

 （3）在192.168.56.103上编辑/home/grid/data-integration/pwd/carte-config-8181.xml文件，内容如下：

<slave_config>
  <masters>
    <slaveserver>
      <name>master</name>
      <hostname>192.168.56.104</hostname>
      <port>8181</port>
      <username>cluster</username>
      <password>mypassword</password>
      <master>Y</master>
    </slaveserver>
  </masters>

  <report_to_masters>Y</report_to_masters>

  <slaveserver>
    <name>slave2</name>
    <hostname>192.168.56.103</hostname>
    <port>8181</port>
    <username>cluster</username>
    <password>mypassword</password>
    <master>N</master>
  </slaveserver>
</slave_config>

（4）执行下面的命令启动master。

cd /home/grid/data-integration/
./carte.sh pwd/carte-config-8181.xml

master启动之后，启动slave。
（5）在192.168.56.102上执行下面的命令启动slave1。

cd /home/grid/data-integration/
./carte.sh pwd/carte-config-8181.xml

（6）在192.168.56.103上执行下面的命令启动slave2。

cd /home/grid/data-integration/
./carte.sh pwd/carte-config-8181.xml

（7）保存并执行转换，如图21所示，选择“集群方式执行”，勾选“提交转换”、“准备执行”、“开始执行”三项，然后点击“启动”执行转换。

图21

（5）右键点击“cluster”，选择弹出菜单中的“Monitor all slave servers”，如图12所示。
（6）转换成功执行后，会在监控标签中看到执行信息，如图22到24所示。

图22

图23

图24

从图23可以看到，“Table input”步骤在master运行，从hive表读取36616行记录，向“Table output”步骤输出36616行记录。
从图23可以看到，“Table output”步骤分别在动态子服务器slave1运行，读取了18308行记录，并向mysql表写了18308行记录。
从图24可以看到，“Table output”步骤分别在动态子服务器slave2运行，读取了18308行记录，并向mysql表写了18308行记录。
此时查看mysql表，共写入了36616行记录。如图16所示。

参考：
Kettle解决方案：使用PDI构建开源ETL解决方案