大数据 ETL 处理工具 Kettle 常用输入输出大数据

相比现在流行大数据技术，你可能觉得 Kettle 的使用场景太少了，或者没有必要使用这么个玩意儿，查看了下 github kettle 发现最近也有一些更新，另外，对于没有编程经验的数据使用人员，使用非常简单的 Kettle，通过图形界面设计实现做什么业务，无需写代码去实现，就可以做一些实验，比如：抓取网站上的股票数据、外汇信息等等。
Kettle 支持很多种输入和输出格式，包括文本文件，数据表，以及数据库引擎。总之，Kettle 强大的输入、输出、转换功能让你非常方便的操作数据。
常用的输入步骤
文件输入步骤常见文本文件输入步骤包括：CSV 文件输入、Excel输入、文本文件输入等。
在之前的文章中已经介绍过 HelloWorld 级别的功能「把数据从 CSV 文件复制到 Excel 文件」，详细步骤可查阅。
可以选择同一目录下的所有文件，通过选择目录，然后通配符号通配文件，也可以选择是否读取当前目录下子目录的文件，如下图：

文章图片

XML 输入步骤 XML 是可扩展标记语言，主要用来传输与存储数据，在一些比较传统的系统还在使用这种方式进行数据传输对接，借助「Get data from XML」输入步骤，获取 XML 文件中的数据信息，通过使用 xpath 来确定 XML 文档中某部分数据的位置，xpath 基于 XML 的树状结构，提供在数据结构树中找寻节点的能力。
示例通过向导完成一个示例，读取 POM 文件中的属性配置信息，如下图：

文章图片

文章图片

xpath 常用表达式

表达式	说明
nodename	选取此节点的所有子节点
/	从根节点选取
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置
.	选取当前节点
...	选取当前节点的父节点
@	选取属性
div	选取 div 元素的所有子节点
/div	选取根元素 div
div/p	选取 div 元素下的子元素 p
//div	选取所有的 div 元素
div//p	选取 div 元素下的所有 p 元素
//@lang	选取名为 lang 的所有属性

JSON 输入步骤相比于 XML，是一种轻量型的数据交换格式。JSON 核心概念：数组（ [] 中的数据），对象（ {} 中的数据），属性（ k:v 的数据）
实现「调用 RESTful 接口导入 JSON 结果入库」的功能，不管是通过 Java 或者是 Python 编码的方式调用 RESTful接口将结果入库，都是有一定复杂度的，首先你要加载第三方 REST 组件依赖，然后连接数据库，写 SQL 语句，最后插入的目标数据库中。但我们有了 Kettle 这个工具之后，只需要使用图形化界面 Spoon 就可以很方便的完成接口调用及入库的操作。
通过一个简单的 GET 请求，获取「沪深新股预告」信息，数据情况及操作如下
数据示例

文章图片

接口信息 【大数据 ETL 处理工具 Kettle 常用输入输出】https://xueqiu.com/service/v5...
转换步骤：

文章图片

输出结果

文章图片

具体配置步骤
表输入步骤添加数据库驱动要是想要操作数据库，就得先下载数据库驱动，然后放置在 /data-integration/lib 下，默认包括如下驱动：

(base)~/Documents/apps/data-integration/lib  ls -al | grep sql -rw-r--r--@1 Yezhiweistaff1473091 Jun 112019 hsqldb-2.3.2.jar -rw-r--r--@1 Yezhiweistaff825943 Jun 112019 postgresql-42.2.5.jar -rw-r--r--@1 Yezhiweistaff3201133 Jun 112019 sqlite-jdbc-3.7.2.jar

添加 MySQL 驱动 jar 包 mysql-connector-java-5.1.41.jar 到 /data-integration/lib 下：

文章图片

配置数据库连接

文章图片

获取表 SQL 查询语句，数据预览选择数据库连接配置，然后点击「获取 SQL 查询语句」

文章图片

选择表，根据提示完成设置，自动生成 SQL，「预览」可以查看数据。

文章图片

文章图片

常用的输出步骤
通常将数据处理完成后需要保存到一个地方，方便后续使用，通常情况下输出为 Excel 或数据库中，前面的示例中已经介绍过 Excel 输出，下面重点介绍数据库方面的输出步骤。
数据库输出步骤常用的有插入/更新/删除，示例重点体现「插入/更新」和「删除」输出步骤
表输出将其他输入源的数据输出到表中

文章图片

文章图片

更新更新就是把数据库中已经存在的记录与数据流里面的记录进行对比，如果不同就进行更新
插入更新插入更新就是在更新的基础上插入了数据流中多余的数据
删除删除可以和自定义常量输入一起使用，定义一个常量条件，不符合这个条件的数据全部删除
示例数据准备

文章图片

数据从 Excel 插入或更新到 MySQL

文章图片

文章图片

新数据插入结果

文章图片

更新结果

文章图片

结语
在数据仓库技术中，ETL 是必不可少，Kettle 作为 ETL 的经典工具，通过图形界面设计实现做什么业务，无需写代码去实现，对于没有编程经验的数据使用人员来说，也是非常简单的。
当然，也存在一些问题，比如：处理的数据量相对小些、文档资料相对少些等等。有机会再总结一下使用过程中遇到的问题。
欢迎关注公众号：HelloTech，获取更多内容