Greenplum 周边工具解析 - Kettle

2022-06-08 14:24:36

Greenplum 作为全球领先的开源大数据平台，被广泛应用于包括金融、保险、证券、通信、航空、物流、零售、媒体、政府、医疗、制造、能源等行业。而将多个源端数据抽取、转换并加载到 Greenplum 数据库可能是目前很多用户较为关心的场景。

在数据集成方面，除了自己写程序或脚本来实现特定的功能，有一款顺手的ETL工具能大大提升工作效率。目前市场上现存的ETL工具或有部分ETL的CDC工具五花八门，老牌产品有Informatica、Datastage、Kettle 等，新秀有 NiFi、HVR 等。从今天开始，陆续给大家分享一些ETL相关的内容，分享中有任何建议请留言沟通。

一、Kettle简介

话不多说，今天开始介绍的一系列文章都与 Kettle 相关，Kettle 这个ETL工具集，允许你管理来自不同数据库的数据，通过提供一个图形化的用户环境来描述你想做什么，而不是你想怎么做。它是一款开源的ETL工具，纯java编写，可以在 Windows、Linux、Unix（包括Mac）上运行，运行高效稳定，图形化界面使用方便，可以说是目前开源产品中用户体验好的产品。但是在监控和集群运行方面仍然存在短板（后期在介绍NiFi的时候会体会更深）。

Kettle 起初由开发大神 MATT 开源，其目的就是统一多个数据源数据并输出，目前它被日立公司收购，目前官方名称为 Data Integration，已经发展到 Data Integration 9.x 版本。所以大家可能会在百度搜索时看到很多概念，请不要让这些噪音混淆了你的判断，你大爷仍然是你大爷，Kettle 仍然可以免费下载使用。

随着 Kettle 版本的更迭，所支持的产品也越来越多，几乎包含了目前我们所能遇到的绝大部分产品。当然功能越全，软件包就越大，我在这里采用的是 Kettle 7.0 版本，用的比较顺手而已（当然我自己认为 6.x\7.x 版本比较经典，国内好多厂商都是基于这两个版本的 Kettle 进行的国产化），大家日常可以自行选择版本。

二、Kettle安装

Kettle 安装简单，由于其基于 Java 开发，所以首先需要在对应的环境下安装 JDK，然后将下载的 Kettle 安装包解压缩，点击 Data Integration 文件夹下的 spoon.sh/bat 运行即可，这里需要关注的是 Kettle 版本与 JDK 版本的对应关系。

4.与JDK对应关系

官方文档指出：Since Kettle version 5 you need Java 7 (aka 1.7), download this version from Oracle（www.oracle.com/technetwork…. When the right version is not found on the path (verify with java -version on a command line) you can set this within the Spoon.bat file (see the set PATH line).

上面说的比较笼统，意指只要安装JDK 1.7版本即可。

在实际使用过程中，如果您发现启动报错或有卡住不动的情形，可以简单参考以下对应关系（仅为个人经验）。

Kettle 5.x --> JDK 1.6/JDK 1.7
Kettle 6.x --> JDK 1.7/JDK 1.8
Kettle 7.x/8.x --> JDK 1.8
复制代码

5.Kettle 在 Mac 平台的安装注意事项

我这里下载了 Kettle 7.1 版本的安装包：pdi-ce-7.1.0.0-12.zip。解压完后，如果直接点击 Data Integration.app（Mac下启动方式），程序是没有任何反应的，但是直接在 terminal 中执行 spoon.sh 可以启动，从 terminal 启动呢，极有可能遇到菜单栏和资源库 Connect 按钮无法点击问题。

这个问题大概是因为 macOS 的安全策略禁止了这个应用去访问一些数据，此处只需要把这个应用的一些权限删除即可，正确的操作姿势应该是：

$ cd data-integration
$ sudo xattr -dr com.apple.quarantine . Data\ Integration.app
将整个文件夹拖到【应用程序】文件夹，通过Mac的程序坞打开
复制代码

6.Kettle 在 Windows/Linux/Unix 平台的安装注意事项

在 Mac 之外的平台使用 Kettle，只需要执行压缩包下的 Spoon.bat(windows) 或 spoon.sh(Linux/Unix) 即可。这里默认您已经安装了对应版本的JDK并配置了Java环境变量。

三、入库之insert

1.Kettle的作业与转换

作业（Job）和转换（Transformation）是 Kettle Spoon 设计器的核心两个内容，这两块内容构建了整个 Kettle 工作流程的基础。

转换（Transformation）：主要是针对数据的各种处理，一个转换里可以包含多个步骤（Step），每个步骤定义了对数据流中数据的一种操作，整个转换定义了一条数据流。
作业（Job）：更加趋向于流程控制。一个作业里包括多个作业项（Job Entry），一个作业项代表了一项工作，而转换也是一种作业项，一个作业里可以包含多个转换。当然作业里也包括其他项，例如：开始、结束、FTP访问等。

作业界面，左侧为作业项（Job Entry）

转换界面，左侧为转换步骤

2.Kettle insert 入库 Greenplum

因为数据处理的步骤都在转换里，所以演示暂时以转换为主。Kettle 连接 Greenplum 有几种方式，今天主要介绍 Insert 方式。我们会用到【转换–>输出–>表输出】和【转换–>输入–>文本文件输入】这2个步骤。

(1)前置条件

首先我们需要准备好 Greenplum 数据库，这里假设大家已经安装完成并开放外部访问权限（ pg_hba.conf ）。

然后我们用下面的脚本初始化数据库表 T1。

[gpadmin1@centos-7 ~]$ psql
psql (9.4.24)
Type "help" for help.

postgres=# create table t1 (id int, name text);
NOTICE:  Table doesn't have 'DISTRIBUTED BY' clause -- Using column named 'id' as the Greenplum Database data distribution key for this table.
HINT:  The 'DISTRIBUTED BY' clause determines the distribution of data. Make sure column(s) chosen are the optimal data distribution key to minimize skew.
CREATE TABLE
postgres=# insert into t1 values(1,'a'),(2,'b');
INSERT 0 2
postgres=#
复制代码

(2)新建转换

【文件】–>【新建】–>【转换】

(3)在转换中增加输入输出步骤

左侧步骤中打开【输入】–> 双击【表输入】或直接将其拖动到右侧设计幕布。

左侧步骤中打开【输出】–> 双击【表输出】或直接将其拖动到右侧设计幕布。

按住键盘shift键，点住鼠标左键，从【表输入】向【表输出】划线，形成数据流连接线。

(4)连接 Greenplum 数据库表

双击【表输入】，在弹出的属性配置对话框中点击【新建】数据库连接，根据下图序号配置Greenplum数据库连接。

上图【确认】完成配置后，在【SQL】部分填写选取表数据的SQL，然后点击【预览】查看是否可以获取到数据。

接下来按照类似的配置，选取数据库连接，并配置表及字段对应关系。

(5)执行 Insert 入库

点击左上角的三角形运行按钮，执行【启动】，保存转换后执行，并查看执行结果。

四、入库之batch insert

Kettle支持JDBC的batch insert方法，所以insert时可以采用批量插入的方式入库到Greenplum。整个处理的逻辑和之前介绍的insert入库基本一致，区别的地方在于【使用批量插入】选项是否勾选，当然这个选项默认是勾选的。具体的步骤不详细展开了，放一张截图，大家有兴趣可以测一下2者的差别。

五、入库之copy

1.Kettle copy 入库 Greenplum

表输出(INSERT方式)导入会经过Master节点并做解析之后分布到对应的Segment节点上，这种方式相对较慢并且不适合导入大量数据。批量加载(copy方式)导入方式比INSERT语句插入多行的效率更高，当然copy的方式也要经过master节点。另外copy的方式相较于insert来说，根据批次数据的积累时间，会存在一个短暂的时间差，需要与业务逻辑紧密结合，避免影响到业务查询。

(1)前置条件

首先我们需要准备好 Greenplum 数据库，这里假设大家已经安装完成并开放外部访问权限（ pg_hba.conf ）。

然后我们用下面的脚本初始化数据库表 T2。

[gpadmin1@centos-7 ~]$ psql
psql (9.4.24)
Type "help" for help.

postgres=# create table t2 (id int, name text);
NOTICE:  Table doesn't have 'DISTRIBUTED BY' clause -- Using column named 'id' as the Greenplum Database data distribution key for this table.
HINT:  The 'DISTRIBUTED BY' clause determines the distribution of data. Make sure column(s) chosen are the optimal data distribution key to minimize skew.
CREATE TABLE
复制代码

准备一个与T2表字段对应的csv文件，文件有2列，分别对应id、name字段，样例如下，可以多包含点数据（100000行以上）：

# chris @ ChrisdeMacBook-Pro in ~ [12:51:26]
$ du -h copy_test.csv
 35M	copy_test.csv

# chris @ ChrisdeMacBook-Pro in ~ [12:51:29]
$ head -10 copy_test.csv
1,a
2,b
3,c
1,a
2,b
3,c
1,a
2,b
3,c
1,a
复制代码