快速上手kettle(二)小试牛刀

2023-05-29 08:01 由 xiezhr 发表于 #数据库

一、前言

上一期中大概介绍了下kettle，并已经把kettle下载安装完了。

这一期我们就来简单体验下kettle怎么进行数据转换的。

二、两个小目标

我们这里呢就以两个小案例来体验下kettle

将csv文件通过kettle转换成excel文件
将excel文件通过kettle写入到数据库表中

三、 kettle核心概念介绍

kettle 被称为可视化编程语言，可以完成复杂的etl工作流。kettle里的代码就是转换和作业。

所以呢，我们首先就来说说转换和作业。

3.1 转换

从下面截图中，我们看到转换包含了很多核心对象，说明其包含了很多功能。后面有得我们学的了(开个玩笑）

--转换包含元素	--转换核心对象

转换（transaformation）负责数据的输入、转换、校验和输出等，kettle中转换完成了ETL的全部工作
转换由多个步骤 (Step) 组成。包含各种文件格式的数据输入/输出（如csv文件输入、sql文件输出、sql脚本执行、各种查询等等）
如果各个步骤之间需要数据库操作，我们就需要建立DB连接
各个步骤之间使用跳（Hops）来连接。我们可以将跳理解为一条道路，数据有一个步骤（驿站）通过跳（道路）流向下一步骤（驿站）
kettle中最小的数据单元是行

3.1.1 步骤(Step)

步骤是转换里的基本组成部分，上面截图中包含了两个步骤
①CSV文件输入
②Excel输出

每个步骤都会涉及到读、写数据行
步骤将数据写到与之相连的一个或多个输出跳（hop），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。一个步骤的数据发送可以被设置为分发和复制

3.1.2 跳（Hop）

跳是两个步骤(驿站)之间的道路(带箭头的连线)

跳是两个步骤之间的数据行缓存
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

可以通过如下方式查看和修改行缓存大小

①右键转换-->设置	② 选择"杂项"tab页

3.1.3 元素据

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

通常包含下面一些信息。

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：字符串的长度或者BigNumber类型的长度。

⑤精度：BigNumber数据类型的十进制精度。

⑥货币符号：￥

⑦小数点符号:十进制数据的小数点格式。不同文化背景下小数点符号是不同的，一般是点（.）或逗号（，）。

⑧分组符号：数值类型数据的分组符号，不同文化背景下数字里的分组符号也是不同的，一般是点（.）或逗号（，）或单引号（’）

这里的输入文件十csv格式数据,所以分组符号是逗号","

3.1.4 数据类型

数据以数据行(可以理解为一个表格中的一行) 的形式沿着步骤移动,每个数据行又有多个字段元素(可以理解为一个单元格)构成

就像在excel中,每个单元格都可以设置数据格式一样,这里数据行中的字段也有自己的数据类型.

常见的数据类型有以下几种

--数据类型	--说明
`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的布尔值类型
`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

3.1.5 并发执行

我们经常需要处理大量的数据,所以设计了跳这样的行集缓存规则,使得每个步骤就是一个独立线程.所有步骤都以并发方式执行.

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，并把处理过的数据写到输出跳.

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

如果想要一个任务沿着指定的顺序执行，那么就要使用下面所讲的“作业”来做流程控制