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 )

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。