大数据 ETL 处理工具 Kettle 的核心概念

宏观了解 Kettle

上一篇中对 Kettle 进行了简单的介绍，并快速体验了一把 Kettle，完成了「把数据从 CSV 文件复制到 Excel 文件」 HelloWrold 级别的功能。

而在实际工作中，可以使用 Kettle 的图形化的方式定义复杂的 ETL 程序和工作流，如下图就是通过一系列的转换（Transformation） 完成一个作业（Job）流程。

Kettle 核心概念

转换

转换（Transaformation）是 ETL 中最主要的部分，它处理抽取、转换、加载各种对数据行的操作。 转换包含一个或多个步骤（Step），如上图中的「CSV 文件输入」、「Excel输出」步骤，还包括过滤数据行、数据清洗、数据去重或将数据加载到数据库等等。 转换里的步骤通过跳（hop）来进行连接，跳定义一个单向通道，允许数据从一个步骤向另一个步骤流动。

步骤（Step）

Kettle 里面的，Step 步骤是转换里的基本的组成部分，上篇快速体验的案例中就存在两个步骤，「CSV文件输入」和「Excel输出」，一个步骤有如下几个关键特性：

• 步骤需要有一个名字，这个名字在转换范围内唯一。

• 每个步骤都会读、写数据行（唯一例外是「生成记录」步骤，该步骤只写数据）。

• 步骤将数据写到与之相连的一个或多个输出跳，再传送到跳的另一端的步骤。

• 大多数的步骤都可以有多个输出跳，当有多个输出时，会弹出如下图所示的警告进行选择分发还是复制。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收记录，复制是所有的记录被同时发送到所有的目标步骤。

跳（Hop）

Kettle 里面的，跳（Hop），跳就是步骤之间带箭头的连线，跳定义了步骤之间的数据通路，如上图。在 Kettle里，数据的单位是行，数据流就是数据行从一个步骤到另一个步骤的移动， 跳是两个步骤之间的被称之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，如下图）。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，直到行集里又有可读的数据行。

数据行

在 Kettle 里，数据的单位是行，数据以数据行的形式沿着步骤移动。一个数据行是零到多个字段的集合，字段包含下面几种数据类型。

• String：字符类型数据
• Number:双精度浮点数
• Integer：带符号长整型（64位）
• BigNumber：任意精度数据
• Date：带毫秒精度的日期时间值
• Boolean：取值为 true 和 false 的布尔值
• Binary：二进制字段可以包含图像、声音、视频及其他类型的二进制数据

同时，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。通常包含下面一些信息：

• 名称：行里的字段名应用是唯一的
• 数据类型：字段的数据类型
• 格式：数据显示的方式，如 Integer 的#、0.00
• 长度：字符串的长度或者 BigNumber 类型的长度
• 精度：BigNumber 数据类型的十进制精度
• 货币符号：￥
• 小数点符号：十进制数据的小数点格式
• 分组符号：数值类型数据的分组符号

步骤是并行的

这种基于行集缓存的规则（前面 「跳（Hop）」节提到），允许每个步骤都是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（设置合理的行集大小）。在数据仓库建设过程中，经常要处理大量数据，所以这种并发低消耗内存的方式也是 ETL 工具的核心需求。

对于 Kettle 的转换，所有步骤都以并发方式执行，即：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，并把处理过的数据写到输入跳，直到输入跳里不再有数据，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。

总结

• Kettle 通过一系列的转换（Transformation） 完成一个作业（Job）流程
• 通过了解 Kettle 的核心概念，得知 Kettle 是通过「跳（Hop）」将数据流从一个步骤到另一个步骤的移动，每个步骤都是由一个独立的线程运行，这样提高并发程度，但相比 Hadoop 生态移动计算模型更加昂贵
• Kettle 本身由 Java 开发，需要配置合理的 JVM 参数

欢迎关注公众号：HelloTech，获取更多内容