文档章节

数据层交换和高性能并发处理(开源ETL大数据治理工具--KETTLE使用及二次开发 )

beifeng_泠
 beifeng_泠
发布于 2014/01/02 14:01
字数 1400
阅读 1602
收藏 13

ETL是什么?为什么要使用ETL?KETTLE是什么?为什么要学KETTLE?

       ETL是数据的抽取清洗转换加载的过程,是数据进入数据仓库进行大数据分析的载入过程,目前流行的数据进入仓库的过程有两种形式,一种是进入数据库后再进行清洗和转换,另外一条路线是首先进行清洗转换再进入数据库,我们的ETL属于后者。

大数据的利器大家可能普遍说是hadoop,但是大家要知道如果我们不做预先的清洗和转换处理,我们进入hadoop后仅通过mapreduce进行数据清洗转换再进行分析,垃圾数据会导致我们的磁盘占用量会相当大,这样无形中提升了我们的硬件成本(硬盘大,内存小处理速度会很慢,内存大cpu性能低速度也会受影响),因此虽然hadoop理论上解决了烂机器拼起来解决大问题的问题,但是事实上如果我们有更好的节点速度必然是会普遍提升的,因此ETL在大数据环境下仍然是必不可少的数据交换工具。

市场上流行的ETL很多,比如informatica等,但是开源的比较完善的却不是很多,而其中比较有名的要说是pentaho开源的kettle了,该工具被广泛用,并且开源的产品我们从中不仅可以学到ETL的简单应用,并且可以学习到ETL的原理以及通过源码学到更多的东西。

 

 

亮点一:KETTLE应用广泛,仅仅学会使用就可以找到一份不错的工作。

 

亮点二:本课程不仅讲解简单实用,同时讲解二次开发并且配有开发模板,提升工作质量。

 

亮点三:渗透了大数据的一些处理方法,与目前流行的hadoop配合使用。

 

亮点四:分析KETTLE源码,即使对ETL兴趣不大,至少可以了解国外开源项目的一些源码,并且KETTLE本身也使用了很多开源项目,因此可以从该工具上学到更多东西。

 

 

 

通过课程可以学到什么:

 

 

1.ETL过程原理

 

2.数据流引擎的原理

 

3.元数据和数据进行动态数据交换的设计

 

4.并发运算的原理

 

 

课时安排:(15课时)

 

 

1.ETL简介—开源KETTLE(1课时)

 

>介绍KETTLE在大数据应用的位置和作用。

>主要讲解ETL是什么,KETTLE进行简单介绍,并且使用例子进行KETTLE的使用介绍。

>介绍KETTLE流程的部署。

 

 

2.KETTLE使用(1课时)

 

>详细介绍KETTLE的spoon使用

>KETTLE的trans和job入门

>KETTLE的日志和调试工具使用

 

 

3. KETTLE之Step流程设计(3课时)

 

>编写例子介绍KETTLE常用的转换、清洗组件

>主要完成以下插件:

输入插件:

文本文件输入、生成记录、表输入、Fixed file input、Get data from XML

输出插件:

XML输出、删除、插入/更新、文本文件输出、更新、表输出

转换插件:

Add a checksum、Replace in string、Set field value、Unique rows(HashSet)、增加常量、增加序列、字段选择、拆分字段

Flow插件:

Abort、Switch/case、空操作、过滤记录

脚本插件:

Modified Java Script Value、执行SQL脚本

查询插件:

File exists、Table exists、调用DB存储过程

 

 

4. KETTLE之Job流程设计(2课时)

 

>编写例子介绍KETTLE常用的作业组件

>主要完成以下插件:

通用插件:

START、DUMMY、Transformation、Success

文件管理插件:

Copy Files、Compare folders、Create a folder、Create file、Delete files、Delete folders、File Compare、Move Files、Wait for file、Zip file、Unzip file

条件插件:

Check Db connections、Check files locked、Check if a folder is empty、Check if files exist、File Exists、Table exists、Wait for

脚本插件:

Shell、SQL

Utility插件:

Ping a host、Truncate tables

文件传输插件:

Upload files to FTPS、Get a file with FTPS、FTP Delete

>Kettle与Hadoop的联合使用

 

 

5. KETTLE之流程性能调优与监控(1课时)

 

>介绍KETTLE的流程监控功能

>介绍KETTLE的性能优化方法

 

 

6. KETTLE之嵌入开发(1课时)

 

>编写程序介绍KETTLE的流程如何嵌入到我们的java应用中

主要包括java嵌入trans以及job流程

 

 

7. KETTLE之自定义Step、Job插件制作(3课时)

 

>编写Step和Job模板,并给大家作为二次开发的基础工程使用,提高大家的开发效率。

>编写程序说明Step和Job插件的开发方法。

 

 

8. KETTLE之数据同步方案(1课时)

 

>介绍5种数据同步方案,并且这5种方案都是支持异构数据同步的。

包括全量快速同步方案和增量同步方案

 

 

9. KETTLE之分区、集群以及原理(1课时)

 

>介绍KETTLE的分区原理,并且讲解配置使用。

>介绍KETTLE的集群原理,并且讲解配置使用,以及监控方法。

 

 

10. KETTLE之源码分析与二次开发(1课时)

 

>介绍KETTLE的SRC导入ECLIPSE方法,以及打包和运行方法。

>分析KETTLE的包结构以及运行流程,讲解KETTLE的运行原理。

 参加公开课请加QQ群  2群:217108493       4群:275733010

 

© 著作权归作者所有

共有 人打赏支持
beifeng_泠
粉丝 1
博文 7
码字总数 15857
作品 0
虹口
私信 提问
加载中

评论(1)

码大仙人
码大仙人
数据层交换和高性能并发处理教程
百度网盘地址:链接:http://pan.baidu.com/s/1mgzsHtA 密码:c20j
01.etl使用简介_开源KETTLE
02.KETTLE的使用
03.KETTLE之Step流程设计1
04.KETTLE之Step流程设计2
05.KETTLE之Step流程设计3
06.KETTLE之Job流程设计1
07.KETTLE之Job流程设计2
08.KETTLE之流程性能调优与监控
09.KETTLE之嵌入开发
10.KETTLE之自定义Step、Job插件制作1
11.KETTLE之自定义Step、Job插件制作2
12.KETTLE之自定义Step、Job插件制作3
13.KETTLE之数据同步方案
14.KETTLE之分区、集群以及原理
15.KETTLE之源码分析与二次开发
ETL调度技术平台--TASKCTL

ETL的技术本质是:通过调度管理控制一系列具有数据处理功能的各种程序有序地运行。因此,有人总结:“ETL是BI(商业智能)的基础,调度是ETL的灵魂”。从功能层面讲,调度是ETL技术体系的重要...

施鹏飞
2013/01/26
18.3K
14
开源 BI 系统相关知识综合解读

这些众多的BI(商业智能)项目从规模和对BI系统支撑的完善程度上来说,大体可以分为Framework、Stand-aloneTools和BISuit三种类型。 Framework 开源框架,这是在商业BI系统中所没有的。我们可...

红薯
2009/05/05
684
0
Kettle 与 Talend Open Studio 的 ETL 比较

Pentaho Data Integration (Kettle)是Pentaho生态系统中默认的ETL工具。通过非常直观的图形化编辑器(Spoon),您可以定义以XML格式储存的流程。在Kettle运行过程中,这些流程会以不同的方法...

ychenETL
2011/06/13
0
0
几款开源的ETL工具及ELT初探

几款开源的ETL工具及ELT初探 作者:佚名来源:开源中国|2017-02-13 21:32 ETL,是英文 Extract-Transform-Load 的缩写,用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(lo...

yuanwx0328
2017/11/15
0
0
开源ETL工具在数据集成中的应用研究

大数据环境下,ETL负责将分散的、异构数据源中的数据如关系数据、平面文件数据等集成到数据仓库或数据集市的关键步骤,是后期联机分析处理、数据挖掘的基础环节。本课题以开源的ETL软件Kettl...

freeBryant24
2014/02/12
646
0

没有更多内容

加载失败,请刷新页面

加载更多

Windows 上安装 Scala

在安装 Scala 之前需要先安装 Java 环境,具体安装的详细方法就不在这里描述了。 您可以自行搜索我们网站中的内容获得其他网站的帮助来获得如何安装 Java 环境的方法。 接下来,我们可以从 ...

honeymose
48分钟前
0
0
数据库篇多表操作

第1章 多表操作 实际开发中,一个项目通常需要很多张表才能完成。例如:一个商城项目就需要分类表(category)、商品表(products)、订单表(orders)等多张表。且这些表的数据之间存在一定的关系...

stars永恒
今天
3
0
nginx日志自动切割

1.日志配置(Nginx 日志) access.log----记录哪些用户,哪些页面以及用户浏览器,IP等访问信息;error.log------记录服务器错误的日志 #配置日志存储路径:location / {      a...

em_aaron
昨天
5
0
java 反射

基本概念 RTTI,即Run-Time Type Identification,运行时类型识别。RTTI能在运行时就能够自动识别每个编译时已知的类型。   要想理解反射的原理,首先要了解什么是类型信息。Java让我们在运...

细节探索者
昨天
2
0
推荐转载连接

https://www.cnblogs.com/ysocean/p/7409779.html#_label0

小橙子的曼曼
昨天
3
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部