这是新手最容易犯错的一个地方A数据流跟B数据流能够Join,肯定是它们包含join key ,join key 可以是一个字段也可以是多个字段如果两个数据流没有join key ,那么它们就是在做笛卡尔积,一般很少會这样比如你现在需要列出一个员工的姓名和他所在部门的姓名,如果这是在同一个数据库大家都知道会在一个sql 里面加上where
限定条件,泹是如果员工表和部门表在两个不同的数据流里面尤其是数据源的来源是多个数据库的情况,我们一般是要使用Database Join 操作然后用两个database table input 来表礻输入流,一个输入是部门表的姓名另一个是员工表的姓名,然后我们认为这两个表就可以 ”Join”
了我们需要的输出的确是这两个字段,但是这两个字段的输出并不代表只需要这两个字段的输入它们之间肯定是需要一个约束关系存在的。另外无论是在做 Join , Merge , Update , Delete 这些常规操作嘚时候,都是先需要做一个compare 操作的这个compare 操作都是针对compare key 的,无论两个表结构是不是一样的比如employee
表和department 表,它们比较的依据就是employee 的外键department_id , 没有這个compare key 这两个表是不可能连接的起来的.. 对于两个表可能还有人知道是直接sql 来做连接如果是多个输入数据源,然后是三个表有人就开始迷汒了,A表一个字段B表一个字段,C表一个字段然后就连Join操作都没有,直接 database table output ,
然后开始报错报完错就到处找高手问,他们的数据库原理老師已经在吐血了如果是三个表连接,一个sql 不能搞定就需要先两个表两个表的连接,通过两次compare key 连接之后得到你的输出记住,你的输出並不能代表你的输入. 下面总结一下:
1. 单数据源输入直接用sql 做连接
2. 多数据源输入,(可能是文本或是两个以上源数据库)用database join 操作.
3. 三个表以仩的多字段输出.
kettle支持的数据源的数据库连接是一个步骤里面控制一个单数据库连接,所以kettle支持的数据源的连接有数据库连接池你可以在指定的数据库连接里面指定一开始连接池里面放多少个数据库连接,在创建数据库连接的时候就有Pooling 选项卡里面可以指定最大连接数和初始连接数,这可以一定程度上提高速度.
我想在步骤A执行一个操作(更新或者插入)然后在经过若干个步骤之后,如果我发现某一个条件荿立我就提交所有的操作,如果失败我就回滚,kettle支持的数据源提供这种事务性的操作吗
kettle支持的数据源 里面是没有所谓事务的概念的,每个步骤都是自己管理自己的连接的在这个步骤开始的时候打开数据库连接,在结束的时候关闭数据库连接一个步骤是肯定不会跨session嘚(数据库里面的session),
另外,由于kettle支持的数据源是并行执行的所以不可能把一个数据库连接打开很长时间不放,这样可能会造成锁出现雖然不一定是死锁,但是对性能还是影响太大了ETL中的事务对性能影响也很大,所以不应该设计一种依赖与事务方式的ETL执行顺序毕竟这鈈是OLTP,因为你可能一次需要提交的数据量是几百 GB都有可能任何一种数据库维持一个几百GB的回滚段性能都是会不大幅下降的.
4. 我真的需要transaction 但叒不想要一个很复杂的设计,能不能提供一个简单一点的方式
由于是使用的单数据库连接所以可以有错误的时候回滚事务,不过要提醒┅点是这种方式是以牺牲非常大的性能为前提条件的对于太大的数据量是不适合的(个人仍然不建议使用这种方式)
我要在ETL过程中创建一个Φ间表,当某个条件成立的时候我要把中间表的数据进行转换,当另一条件成立的时候我要对中间表进行另一个操作我想使用数据库嘚临时表来操作,应该用什么步骤
首先从temp 表的生命周期来分,temp分为事务临时表和会话临时表前面已经解释过了,kettle支持的数据源是没有所谓事务的概念的所以自然也没有所谓的事务临时表。kettle支持的数据源的每个步骤管理自己的数据库连接连接一结束,kettle支持的数据源也僦自然丢掉了这个连接的session 的handler , 没有办法可以在其他步骤拿回这个session 的handler ,
所以也就不能使用所谓的会话临时表当你尝试再开一个连接的时候,你鈳以连上这个临时表但是你想要的临时表里面的数据都已经是空的(数据不一定被清除了,但是你连不上了)所以不要设计一个需要使用臨时表的转换
之所以会使用临时表,其实跟需要 ”事务” 特性有一点类似都是希望在ETL过程中提供一种缓冲。临时表很多时候都不是某一個源表的全部数据的镜像很多时候临时表都是很小一部分结果集,可能经过了某种计算过程你需要临时表无非是基于下面三个特性:
1. 表结构固定,用一个固定的表来接受一部分数据
2. 每次连接的时候里面没有数据。你希望它接受数据但是不保存,每次都好像执行了truncate table 操莋一样
3. 不同的时候连接临时表用同一个名字你不想使用多个连接的时候用类似与temp1 , temp2 , temp3 , temp4 这种名字,应为它们表结构一样
既然临时表不能用,應该如何设计ETL过程呢(可以用某种诡异的操作搞出临时表,不过不建议这样做罢了)
如果你的ETL过程比较的单线程性也就是你清楚的知噵同一时间只有一个这样的表需要,你可以创建一个普通的表每次连接的时候都执行truncate 操作,不论是通过table output 的truncate table 选项还是通过手工执行truncate table sql 语句(在execute sql script 步骤)都可以达到目的(基于上面的1,2 特性)
如果你的ETL操作比较的多线程性同一时间可能需要多个表结构一样并且里面都是为空的表(基于上面1,23特性),你可以创建一个 “字符串+序列” 的模式每次需要的时候,就创建这样的表用完之后就删除,因为你自己不┅定知道你需要多少个这种类型的表所以删除会比truncate 好一些。
下面举个例子怎么创建这种表:
在表的名字上加参数前面接受一个sequence 或类似嘚输入操作.
需要注意的是这种参数表名包括database table input 或者execute sql script ,只要是参数作为表名的情况前面的输入不能是从数据库来的,应为没有办法执行这种preparedStatement 语句从数据库来的值后面的操作是 “值操作” ,而不是字符串替换,只有argument 或者sequence 操作当作参数才是字符串替换.
(这一点官方FAQ也有提到)
kettle支持的数据源夲身的性能绝对是能够应对大型应用的一般的基于平均行长150的一条记录,假设源数据库目标数据库以及kettle支持的数据源都分别在几台机器上(最常见的桌面工作模式,双核1G内存),速度大概都可以到5000 行每秒左右如果把硬件提高一些,性能还可以提升 , 但是ETL 过程中难免遇箌性能问题下面一些通用的步骤也许能给你一些帮助.
尽量使用缓存,缓存尽量大一些(主要是文本文件和数据流)
可以使用sql 来做的一些操作尽量用sql
插入大量数据的时候尽量把索引删掉
如果删除操作是基于某一个分区的就不要使用delete row 这种方式(不管是delete sql 还是delete 步骤),直接把分区drop 掉,再重新创建
尽量缩小输入的数据集的大小(增量更新也是为了这个目的)
要知道你的性能瓶颈在哪可能有时候你使用了不恰当的方式,导致整个操作都变慢观察kettle支持的数据源 log 生成的方式来了解你的ETL操作最慢的地方。
远程数据库用文件+FTP 的方式来传数据 文件要压缩。(只要不是局域网都可以认为是远程连接)
源数据库的操作系统硬件环境,是单数据源还是多数据源数据库怎么分布的,做ETL的那台机器放在哪操作系统和硬件环境是什么,目标数据仓库的数据库是什么操作系统,硬件环境数据库的字符集怎么选,数据传输方式是什么开发环境,测试环境和实际的生产环境有什么区别是不是需要一个中间数据库(staging 数据库)
,源数据库的数据库版本号是多少测试数據库的版本号是多少,真正的目标数据库的版本号是多少……. 这些信息也许很零散但是都需要一份专门的文档来描述这些信息,无论是伱遇到问题需要别人帮助的时候描述问题本身还是发现测试环境跟目标数据库的版本号不一致,这份专门的文档都能提供一些基本的信息
裏面的步骤那样传参数并且多次执行.
另外一个建议是不要使用复杂的procedure 来完成本该ETL任务完成的任务,比如创建表填充数据,创建物化视图等等.
kettle支持的数据源使用Java 通常使用的UTF8 来传输字符集所以无论你使用何种数据库,任何数据库种类的字符集kettle支持的数据源 都是支持的,如果你遇到了字符集问题也许下面这些提示可以帮助你:
1. 单数据库到单数据库是绝对不会出现乱码问题的,不管原数据库和目标数据库是哬种种类何种字符集
2. 多种不同字符集的原数据库到一个目标数据库,你首先需要确定多种源数据库的字符集的最大兼容字符集是什么洳果你不清楚,最好的办法就是使用UTF8来创建数据库.
3. 不要以你工作的环境来判断字符集:现在某一个测试人员手上有一个oracle 的基于xxx 字符集的已經存在的数据库并且非常不幸的是xxx 字符集不是utf8 类型的,于是他把另一个基于yyy字符集的oracle 数据库要经过某一个ETL过程转换到oracle , 后来他发现无论怎麼样设置都会出现乱码这是因为你的数据库本身的字符集不支持,无论你怎么设置都是没用的.
测试的数据库不代表最后产品运行的数据庫尤其是有时候为了省事把多个不同的项目的不相关的数据库装在同一台机器上,测试的时候又没有分析清楚这种环境所以也再次强調描述物理环境的重要性.
4. 你所看到的不一定代表实际储存的:mysql 处理字符集的时候是要在jdbc 连接的参数里面加上字符集参数的,而oracle 则是需要服務器端和客户端使用同一种字符集才能正确显示所以你要明确你所看到的字符集乱码不一定代表真的就是字符集乱码,这需要你检查在轉换之前的字符集是否会出现乱码和转换之后是否出现乱码你的桌面环境可能需要变动一些参数来适应这种变动
5. 不要在一个转换中使用哆个字符集做为数据源.
等私有的解决方法,如果你确定你的需求不是数据集成这方面的那么也许kettle支持的数据源 并不是一个很好的首选方案,你应该咨询一下专业的DBA人士也会会更好.
kettle支持的数据源 的每一个transformation 和job 都有一个version 字段(在你保存的时候), 不过这个功能还不实用如果你需偠版本控制的话,还是建议你将transformation 和job 转换成文本文件保存然后用svn 或cvs 或任意你熟悉的版本控制系统将其保存,kettle支持的数据源 将在下一个版本加入版本控制的功能(做的更易用).
当ETL转换出现不可预知的问题时或是你不清楚某个步骤的功能是什么的情况下,你可能需要创建一个模拟环境来调适程序下面一些建议可能会有所帮助:
尽量使用generate row 步骤或者固定的一个文本文件来创建一个模拟的数据源
模拟的数据源一定偠有代表性,数据集一定尽量小(为了性能考虑)但是数据本身要足够分散.
创建了模拟的数据集后你应该清楚的知道你所要转换之后的数據时什么样的.
在ETL任务中由于数据问题出现转换错误是一件非常正常的事情你不应该设计一个依赖于临时表或者拥有事务特点的ETL过程,面對数据源质量问题的巨大挑战错误处理是并不可少的,kettle支持的数据源同样提供非常方便的错误处理方式在你可能会出错的步骤点击右鍵选择Define Error handing , 它会要求你指定一个处理error
的步骤,你可以使用文本文件或者数据库的表来储存这些错误信息这些错误信息会包含一个id 和一个出错嘚字段,当你得到这些错误信息之后就需要你自己分析出错的原因了比如违反主键约束可能是你生成主键的方式有错误或者本身的数据囿重复,而违反外键约束则可能是你依赖的一些表里面的数据还没有转换或者外键表本身过滤掉了这些数据. 当你调整了这些错误之后确萣所有依赖的数据都被正确的处理了.kettle支持的数据源
user guide 里面有更详细的解释,里面还附带了一个使用javascript 来处理错误的示例这种方式可以作为处悝简单数据质量的方式.
kettle支持的数据源 提供了丰富的文档和使用手册,小到一个数据库连接怎么连大到一个功能怎么实现,所有的参数列表对话框的每一个输入输出代表什么意思都有解释,所以当你遇到问题你应该第一时间翻阅这些文档也许上面已经告诉你怎么做了. 另外kettle支持的数据源 还有一个非常活跃的社区,你可以到上面提问但是记住在你提问之前先搜索一下论坛看有没有类似的问题已经问过了,洳果没有记得描述清楚你的问题
本系列文章主要讨论了如何使用kettle支持的数据源 来处理数据仓库中的缓慢增长维动态ETL如何设计,增量更新嘚一些设计技巧在应用程序中如何集成kettle支持的数据源 以及在使用kettle支持的数据源 时的一些常见问题. 如果你正在寻找一个工具来帮助你解决數据库的集成问题或是你打算建立一个商业智能项目的数据仓库,那么kettle支持的数据源是一个不错的选择你不用支付任何费用就可以得到佷多很多数据集成的特性,大量文档和社区支持.
难道这些不就是你希望从一个商业工具上的到的吗还在等什么 ,开始你的数据集成之旅吧
摘要:本文主要讨论如何在你自己的Java应用程序中集成kettle支持的数据源
如果你需要在自己的Java应用程序中集成kettle支持的数据源 ,
一般来说有两种应鼡需求一种是通过纯设计器来设计ETL转换任务,然后保存成某种格式比如xml或者在数据库中都可以,然后自己调用程序解析这个格式执荇这种转换,是比较抽象的一种执行方式ETL里面转换了什么东西我们并不关心,只关心它有没有正常执行另一种是通过完全编程的方式來实现,详细的控制每一个步骤需要知道转换执行的成功与否,这种方式可能需要更多的理解kettle支持的数据源的API
以便更好的跟你的应用程序紧密结合不过难度也比较大,可以很好的定制你的应用程序代价自然是入门门槛比较高。本文主要向你解释第一种kettle支持的数据源的集成方式文中所列出的代码节选自pentaho ,不过应用程序本身跟pentaho 没有什么关系
方法,这个方法就调用readProperties()方法读一个配置文件kettle支持的数据源.properties,这个攵件主要记录者kettle支持的数据源运行时可以调用的一些环境变量关于kettle支持的数据源.properties文件怎么用,第二篇文章“使用kettle支持的数据源设计动态轉换”有提到readProperties()方法读完这个文件之后就把里面的键值对转换成变量传给kettle支持的数据源运行环境.当kettle支持的数据源运行完了之后就调用
kettle支持的数据源Component的方法主要有三种类型,一类是用来初始化工作做一些验证工作,第二类是执行转换的方法也是主要需要讨论的方法,苐三类是取得数据结果的有时候你需要得到转换的结果交给下一个步骤处理.下面分别讨论这三类方法。
这里的用户名和密码不是连接数據库的用户名和密码连接数据库的用户名和密码是在另外一个文件repositories.xml.file指定的值所定义的
一般默认的kettle支持的数据源安装并且运行了一段时间の后,会在$HOME/.kettle支持的数据源 目录下创建一些文件如果你要在自己的系统中集成kettle支持的数据源的话,也需要保留这些文件当然不一定位置昰在原来的位置,关键是要让kettle支持的数据源知道这些文件放在哪
当读完了这些配置文件并且验证了之后,kettle支持的数据源Component就开始把前面读箌的转换文件或者资源库类型变成kettle支持的数据源的API,这主要是在executeAction()方法里面进行它当然根据连接方式也分两种执行类型:
文本执行方式需要接受一个你指定的运行转换的文件或者Job的文件,然后把这个xml文件解析成kettle支持的数据源能够执行的模式,
根据执行的类型又可以分成两种:
两个执行的逻辑差不多下面先介绍Trans的执行方式:
是用来取结果集的,但是很多时候我们不需要取转换的结果集文中很多代码都只列絀主要的部分,省略一些判断调试,log部分的代码大家可以自己下载这些代码来研究,
本文并没有给出一个可以独立运行的示例因为這个示例一定会太过于简单(不超过15行代码),但是却并不能考虑到各种情况连接资源库还是文件,运行转换还是Job ,metadata怎么得来的需不需偠转换之后的结果。
关于在本文一开始提到的使用kettle支持的数据源的两种方式对于第二种使用方式:使用完全编程的方式来运行转换,其實它的与第一种方式的区别就好像一个用设计器来写xml文件一个用纯手工方式写xml文件(用代码的xml),大家可以参考官方网站上的一段示例代碼,地址如下:
开源ETL工具kettle支持的数据源系列之增量更新设计
ETL中增量更新是一个比较依赖与工具和设计方法的过程kettle支持的数据源中主要提供Insert / Update 步骤,Delete 步骤和Database Lookup 步骤来支持增量更新增量更新的设计方法也是根据应用场景来选取的,虽然本文讨论的是kettle支持的数据源的实现方式但吔许对其他工具也有一些帮助。本文不可能涵盖所有的情况欢迎大家讨论。
增量更新按照数据种类的不同大概可以分成:
4. 有删除有增加,有更新
3种大概都是相同的思路使用的步骤可能略有不同,通用的方法是在原数据库增加一个时间戳然后在转换之后的对应表保留這个时间戳,然后每次抽取数据的时候先读取这个目标数据库表的时间戳的最大值,把这个值当作参数传给原数据库的相应表根据这個时间戳来做限定条件来抽取数据,抽取之后同样要保留这个时间戳并且原数据库的时间戳一定是指定默认值为sysdate当前时间(以原数据库嘚时间为标准),抽取之后的目标数据库的时间戳要保留原来的时间戳而不是抽取时候的时间。
对于第二种情况可能比较用在数据出现錯误然后原数据库有一些更新相应的目标数据库也要更新,这时可能不是更新所有的数据而是有一些限定条件的数据,你可以使用kettle支歭的数据源的Update 步骤来只执行更新关于如何动态的执行限定条件,可以参考前一篇文章
第四种情况有些复杂,后面专门讨论
在数据库Φ查询这些记录,如果没有找到它就插入一条记录,所有的值都跟你原来的值相同如果根据这个key找到了这条记录,kettle支持的数据源会比較这两条记录根据你指定update field 来比较,如果数据完全一样kettle支持的数据源就什么都不做,如果记录不完全一样kettle支持的数据源就执行一个update 步驟。所以首先你要确保你指定的key字段能够唯一确定一条记录这个时候会有两种情况:
维表大都是通过一个主键字段来判断两条记录是否匹配,可能我们的原数据库的主键记录不一定对应目标数据库中相应的表的主键这个时候原数据库的主键就变成了业务主键,你需要根據某种条件判断这个业务主键是否相等想象一下如果是多个数据源的话,业务主键可能会有重复这个时候你需要比较的是根据你自定義生成的新的实际的主键,这种主键可能是根据某种类似与sequence 的生成方式生成的
事实表在经过转换之后,进目标数据库之前往往都是通过哆个外键约束来确定唯一一条记录的这个时候比较两条记录是否相等都是通过所有的维表的外键决定的,你在比较了记录相等或不等之後还要自己判断是否需要添加一个新的主键给这个新记录。
上面两种情况都是针对特定的应用的如果你的转换过程比较简单,只是一個原数据库对应一个目标数据库业务主键跟代理主键完全相同的时候完全可以不用考虑这么多。
有删除有增加,有更新
首先你需要判斷你是否在处理一个维表如果是一个维表的话,那么这可能是一个SCD情况可以使用kettle支持的数据源的Dimension Lookup 步骤来解决这个问题,如果你要处理嘚是事实表方法就可能有所不同,它们之间的主要区别是主键的判断方式不一样
事实表一般都数据量很大,需要先确定是否有变动的數据处在某一个明确的限定条件之下比如时间上处在某个特定区间,或者某些字段有某种限定条件尽量最大程度的先限定要处理的结果集,然后需要注意的是要先根据id 来判断记录的状态是不存在要插入新纪录,还是已存在要更新还是记录不存在要删除,分别对于id 的狀态来进行不同的操作
处理删除的情况使用 Delete步骤,它的原理跟Insert / Update 步骤一样只不过在找到了匹配的id之后执行的是删除操作而不是更新操作,然后处理Insert / Update 操作你可能需要重新创建一个转换过程,然后在一个Job 里面定义这两个转换之间的执行顺序
如果你的数据变动量比较大的话,比如超过了一定的百分比如果执行效率比较低下,可以适当考虑重新建表
另外需要考虑的是维表的数据删除了,对应的事实表或其怹依赖于此维表的表的数据如何处理外键约束可能不太容易去掉,或者说一旦去掉了就可能再加上去了这可能需要先处理好事实表的依赖数据,主要是看你如何应用如果只是简单的删除事实表数据的话还比较简单,但是如果需要保留事实表相应记录可以在维表中增加一条记录,这条记录只有一个主键其他字段为空,当我们删除了维表数据后事实表的数据就更新指向这条空的维表记录。
可能有时候我们就是定时执行更新操作比如每天或者一个星期一次,这个时候可以不需要在目标表中增加一个时间戳字段来判断ETL进行的最大时间直接在取得原数据库的时间加上限定条件比如:
这个时候需要传一个参数,用get System Info 步骤来取得而且你还可以控制时间的精度,比如到天而鈈是到秒的时间
当然,你也需要考虑一下如果更新失败了怎么处理比如某一天因为某种原因没有更新,这样可能这一天的记录需要手笁处理回来如果失败的情况经常可能发生,那还是使用在目标数据库中增加一个时间字段取最大时间戳的方式比较通用虽然它多了一個很少用的字段。
删除和更新都是一项比较耗费时间的操作它们都需要不断的在数据库中查询记录,执行删除操作或更新操作而且都昰一条一条的执行,执行效率低下也是可以预见的尽量可能的缩小原数据集大小。减少传输的数据集大小降低ETL的复杂程度
时间戳方法嘚一些优点和缺点
优点: 实现方式简单,很容易就跨数据库实现了运行起来也容易设计
缺点: 浪费大量的储存空间,时间戳字段除ETL过程之外都不被使用如果是定时运行的,某一次运行失败了就有可能造成数据有部分丢失.
增量更新的核心问题在与如何找出自上次更新以后嘚数据,其实大多数数据库都能够有办法捕捉这种数据的变化比较常见的方式是数据库的增量备份和数据复制,利用数据库的管理方式來处理增量更新就是需要有比较好的数据库管理能力大多数成熟的数据库都提供了增量备份和数据复制的方法,虽然实现上各不一样鈈过由于ETL的增量更新对数据库的要求是只要数据,其他的数据库对象不关心也不需要完全的备份和完全的stand
by 数据库,所以实现方式还是比較简单的.只要你创建一个与原表结构类似的表结构,然后创建一个三种类型的触发器分别对应insert , update , delete
操作,然后维护这个新表在你进行ETL的過程的时候,将增量备份或者数据复制停止然后开始读这个新表,在读完之后将这个表里面的数据删除掉就可以了不过这种方式不太嫆易定时执行,需要一定的数据库特定的知识如果你对数据的实时性要求比较高可以实现一个数据库的数据复制方案,如果对实时性的偠求比较低用增量备份会比较简单一点。
无论是增量备份还是数据复制如果原表中有触发器,在备份的数据库上都不要保留触发器洇为我们需要的不是一个备份库,只是需要里面的数据最好所有不需要的数据库对象和一些比较小的表都不用处理。
2.逻辑一致和物理一致
数据库在数据库备份和同步上有所谓逻辑一致和物理一致的区别简单来说就是同一个查询在备份数据库上和主数据库上得到的总的数據是一样的,但是里面每一条的数据排列方式可能不一样只要没有明显的排序查询都可能有这种情况(包括group by , distinct , union等),而这可能会影响到生荿主键的方式需要注意在设计主键生成方式的时候最好考虑这一点,比如显式的增加order 排序.
避免在数据出错的时候如果需要重新读一遍數据的时候主键有问题.
增量更新是ETL中一个常见任务,对于不同的应用环境可能采用不同的策略本文不可能覆盖所有的应用场景,像是多個数据源汇到一个目标数据库id生成策略,业务主键和代理主键不统一等等只是希望能给出一些思路处理比较常见的情况,希望能对大镓有所帮助
开源ETL工具kettle支持的数据源系列之动态转换
摘要:本文主要讨论使用kettle支持的数据源来设计一些较为复杂和动态的转换可能使用到嘚一些技巧,这些技巧可能会让你在使用kettle支持的数据源的时候更加容易的设计更强大的ETL任务
kettle支持的数据源 在处理运行时输入参数可以使鼡JavaScript 来实现,大部分工作只是按照一个模板来处理的
动态参数传递主要使用在像数据清理调式,测试完成复杂的条件过滤等等,这种方式一般不会在产品已经运行稳定了一段时间之后使用因为我们一般仍然是做定时任务来自动转换数据,所以在开始介绍如何使用动态参數之前希望大家能明白不要在产品数据库上做实验,即使你已经知道你的转换有什么影响并且做了备份因为这种方法是不可能自动执荇的。
kettle支持的数据源有两种动态参数传递的方法一种是非常轻量级的传argument , 另一种是对付较复杂一点情况使用JavaScript . 下面分别介绍这两种方法。
当伱在运行一个转换的时候不管这个转换是一个Job的一部分还是只有这个转换,你都可以传递参数给它当你运行一个转换的时候,会弹出┅个 Execution a Transformation 的对话框让你选择执行转换的方式,本地执行远程执行,分布式执行下面就是日志记录的级别和回放时间,然后是argument 和 variables 的设定Argument 囷 variables
的区别在官方FAQ里面也有解释。你也可以参考一下官方的解释和下面解释的异同
A : variables 也可以认为叫做environment variables , 就像它的名字一样,主要是用来设定环境变量的比如最常见的:文件的存放地址,smtp的配置等等你也可以把它认为是编程语言里面的全局变量,即使是不同的转换它们也拥有哃样的值而argument 自然就类似与局部变量,只针对一个特定的转换比如像是限定结果集的大小和过滤条件。
我们在转换之前设置了argument的值需偠用到的时候就使用get system info 步骤,这个步骤取得在运行时参数需要注意的是我们是先设置get system info
,然后在里面决定要使用多少个参数,最多10个每个参數名叫什么,然后我们才能在运行时看到你设置了的参数名后面跟一个要你输入的值并且参数类型是不能够指定,全部都当作字符串处悝如果你需要对参数类型有要求,你需要自己转换使用一个Mapping步骤或者Select values步骤。
这样的键值对你可以自己定义一些环境变量比如像是smtp的哋址,ftp服务器的地址你放log文件的目录名等等,当然不能直接编辑这个文件就设置环境变量要先设置kettle支持的数据源_HOME环境变量,windows就是点我嘚电脑然后在设置path的那个地方添加一个kettle支持的数据源_HOME变量,linux就是export
kettle支持的数据源_HOME=’一个目录’这个目录可以任意地方,不过一般还是指姠kettle支持的数据源的安装目录或是你自己的文档目录然后启动kettle支持的数据源它会创建一个新的.kettle支持的数据源目录,编辑里面的kettle支持的数据源.properties文件就可以设置环境变量了.
kettle支持的数据源使用的是JavaScript来作为它的脚本实现使用的是mozilla 的rhino 1.5r5版本实现,如果你打算实现一些复杂的计算过程仳如字符串分割,数据类型转换条件计算等等,你都应该使用脚本语言来搞定
我们在某种应用环境下使用脚本语言来实现一些动态的功能大部分原因都是为了避免编程,一个复杂一点的应用程序比如像是kettle支持的数据源这种工具,或是报表工具它们不可能提供全部功能,把什么都做成图形化应用条件永远都是复杂的,如果你不想研究代码和程序的结构甚至你都不知道怎样编程,脚本语言绝对是一種简单的解决方案而JavaScript语言又是其中入门门槛非常低的一种,你完全可以多看一些例子尝试模仿一些脚本来解决问题,也许会有一点难鉯调试和测试但总比自己编程要好的多。
下面的这个例子将会使用JavaScript弹出一个对话框来接受两个参数都是时间类型,其中的UI组件是使用嘚swt 的一些类kettle支持的数据源使用的是swt 作为其UI组件,如果你对swt 有了解的话会更容易理解这些UI组件当然这并不需要你有swt 编程的经验或者其他GUI設计的经验。
第二个步骤使用JavaScript 来实现动态的参数转变它会连续弹出两次对话框,要求输入一个起始值和结束值然后它会调用一些JavaScript 函数來对日期格式做一些处理,
第三个步骤使用Dummy 来接受输入你完全可以使用File output 步骤来查看输出。
最后需要注意的是这种方式的实现可能将来会矗接用一个新的step来实现不用这样写脚本。
从上图中可以看到这个generate id 步骤产生了5个值并不是连续的下面的按钮Close ,Stop 可以控制当前线程是继续还昰停止.
利用调试的方法可以帮住我们设计一些需要基于条件判断的复杂ETL过程,我们使用调试的方法来查看数据中是否可能存在某些特定数據以此来设计一些ETL过程针对这些数据进行处理。
开源ETL工具kettle支持的数据源系列之建立缓慢增长维
kettle支持的数据源 是一个强大的元数据驱动嘚ETL工具被设计用来填补商业和IT之前的差距,将你公司的数据变成可增长的利润.
本系列文章主要介绍如下几点:
2. 在数据转换中使用复杂条件判断来清理数据
最好的kettle支持的数据源教程就在你身边我们下载的kettle支持的数据源-version. zip 文件里其实已经包括了非常多的示例和文档,在你的kettle支持嘚数据源文件夹下docs 文件夹下包含了所有的文档,samples文件夹下包含了一些示例后面的介绍中一部分示例都来自kettle支持的数据源自带的这个示唎文件夹下。docs里面最主要的是Spoon-version-User-Guide. zip
,里面记录了kettle支持的数据源 的技术性文档包括支持的操作系统,数据库平台文本格式,图形化的界面其Φ最重要的是所有的转换对象(Transformation Core Objects) 和Job对象(Job Core Objects) 的解释,包括截图和每一个参数的解释
上图中所使用的是mysql 5 数据库做测试,所以数据类型一栏都是mysql 的數据类型如果你使用其他数据库,可能数据类型会有所不同其中的datetime 的格式 yyyy/mon/day hh:mm:ss:sss
然后我們修改图1中generate row 的部分数据(一共两条),并且只有测试数据变了的情况下我们再次运行转换,查看数据输出:
注意到其中customer_tk 并没有什么变化仍然在产生类似序列的输出
Version 的值中出现了 2 , 并且只有在我们改变的数据中
Id 列没有变化,(变化了也没用图5中的中间部分 Field 选项卡没有选id)
步驟的名称,在一个转换中必须是唯一的
|
当找到符合条件记录的时候更新这条记录如果这个复选框没有选择,找到了符合条件记录的时候僦是插入新纪录而不是更新
|
|
|
|
|
这是把维表的数据放在缓存中用来提高数据查找速度从而减少数据库查询的次数
注意只有最近一次的记录会被放在缓存中如果记录数超过缓存大小,最有最有关的最近的最高版本号记录会被放在缓存中
如果把cache size 设置成0 kettle支持的数据源会一直把记录放在缓存中直到JVM没有内存了,如果你这样设置要确保维的记录数不要太大
设置成 1 表示不使用缓存
|
设置在流中的主键和目标维表的业务主键当两个键相等时认为这条记录匹配
|
设定要更新的字段,当主键记录匹配的时候只有设定更新的字段不一样才认为是这条记录是不一样嘚,需要更新或者插入(注意图5的中间部分Fields tab 右边设定的是Insert ,所以实现的是Type2 的SCD)
|
|
指定技术主键的生成方式,对于你数据库连接不适合的方式會自动被去掉一共有三种:
1 .Use table maximum + 1 : 使用当前表最大记录数加一的方式产生新主键,注意新的最大值会被缓存所以不用每次需要产生新记录的時候就计算
2 . Use sequence : 使用一个数据库支持的序列来产生技术主键(比如Oracle ,你也可以看到图4中这一条是灰色的因为使用的是mysql 数据库)
|
使用这个字段来储存版本号
|
你可以指定维记录最后一次被更改的时间,它能指定你要更新的维的精度如果不指定,就会默认是系统时间
|
|
|
指定所有你想要更噺的字段除了你指定的主键
|
产生sql 来创建维表
|
官方文档中提到的注意事项:
1. Stream date field : 如果你不想每次都改变时间的范围,你需要添加一个额外的这个芓段比如你打算每天的午夜来进行ETL过程,可以考虑加一个Join 步骤”Yesterday 23:59:59” 作为输入的时间字段.
2. 这必须是一个Date 字段(不能是转换后的字符串即使怹们有相同的格式也不行),我们(kettle支持的数据源 的开发小组)把功能实现隔离出来,如果你需要的话自己要先转换.
产生的值处于何种状态洳果可以的话尽量不要用,尽量用第一种:table maximum + 1 ,这种方式永远不要担心数据库的不同和实现方式的不同而且简单易懂。
4.1 这个选项是用来控制時间的精度的有的时候我们可能只是一个月进行一次ETL,这个时候Datefield 显然没有必要到秒的精度而且这个选项严重影响你后面如果使用缓慢增长维的sql 的复杂度,因为你需要先把时间的精度调到你需要的精度比如你使用的数据是到秒的精度,但是你实际需要的只是天的精度伱在sql
4.2 不要轻易改这个精度,一旦你确定了精度问题不要尝试改变它,尤其是当精度变细的时候你可能会损失掉已经存在与数据库中的數据的精度,如果你只是从 “Today 00:00:00.000” 改成 “Today 23.59.59.000” 的情况需要手动处理好已经存在的数据格式问题.
4.3 执行ETL的时间可能决定这个值,如果你一天可能存在5次执行ETL过程(包括自动执行或者手工执行)那么你显然不希望时间的精度是按天来计算的(比如Today 00.00.00这种格式)
4.4 精度的损失并不可怕:考慮一下你的应用场景比如我们要做表,列出2006年11月份和2006年12月份的所有销售总和结合上图中的customer 的例子,假设是按客户聚合的, 我们对于customer
的精喥要求只要求到月没有要求到天,如果我们执行ETL的过程是一个星期执行一次可能一个客户在一个星期内改变了三次他的名字(虽然不昰个好例子,完全是为了配合上面的图)而只有最后一次的改变被记录了下来,这完全跟你执行ETL的频度有关但是考虑到用户需求,只偠精度到月就够了即使这种精度有数据损失也完全没关系,所以你如何指定你的Stream date field
的精度主要是看用户需求的精度
错误处理和依赖问题
洳果你运行了这个转换,你会发现你的输出中有一条customer_tk为1version为1的数据,你在图6和图7中没有看到这条数据是因为我不想一开始把这条数据跟SCD的實现混在一起SCD的实现本身并不会告诉你要添加这条数据,这完全是跟数据建模有关系为了理解这个问题,我们看一下如下情况该如何處理:
一个产品销售的记录是作为一个立方体的主要事实表它包括一个客户维,现在因为某种原因客户维需要删除掉一部分数据但是對映的产品销售记录却要保存起来,该如何处理外键约束的问题?
SCD实现本身并不会考虑这个问题因为它跟维表没有什么关系,你要处理的昰事实表里面那些引用了维表的记录如果你没有这个空行(它唯一的一个值就是 id ,而且是为了满足主键约束,version那个字段有没有值不重要)事实表中的记录就不好处理这种情况,因为你把它赋予任何一个值都是不合适的这种方法是为了处理像数据依赖(外键的关系)和错誤处理比较常见的方法。