摘要：本文主要介紹使用kettle設計一些ETL任務時一些常見問題，這些問題大部分都不在官方FAQ上，你可以在kettle的論壇上找到一些問題的答案
1.?Join
我得到A 數據流（不管是基于文件或數據庫），A包含field1 , field2 , field3 字段，然后我還有一個B數據流，B包含field4 , field5 , field6 , 我現在想把它們 ‘加’ 起來, 應該怎么樣做.
這 是新手最容易犯錯的一個地方，A數據流跟B數據流能夠Join，肯定是它們包含join key ,join key 可以是一個字段也可以是多個字段。如果兩個數據流沒有join key ,那么它們就是在做笛卡爾積，一般很少會這樣。比如你現在需要列出一個員工的姓名和他所在部門的姓名，如果這是在同一個數據庫，大家都知道會在一個sql 里面加上where 限定條件，但是如果員工表和部門表在兩個不同的數據流里面，尤其是數據源的來源是多個數據庫的情況，我們一般是要使用Database Join 操作，然后用兩個database table input 來表示輸入流，一個輸入是部門表的姓名，另一個是員工表的姓名，然后我們認為這兩個表就可以 ”Join” 了，我們需要的輸出的確是這兩個字段，但是這兩個字段的輸出并不代表只需要這兩個字段的輸入，它們之間肯定是需要一個約束關系存在的。另外，無論是在做 Join , Merge , Update , Delete 這些常規(guī)操作的時候，都是先需要做一個compare 操作的，這個compare 操作都是針對compare key 的，無論兩個表結構是不是一樣的，比如employee 表和department 表，它們比較的依據就是employee 的外鍵department_id , 沒有這個compare key 這兩個表是不可能連接的起來的.. 對于兩個表可能還有人知道是直接sql 來做連接，如果是多個輸入數據源，然后是三個表，有人就開始迷茫了，A表一個字段，B表一個字段，C表一個字段，然后就連Join操作都沒有，直接 database table output , 然后開始報錯，報完錯就到處找高手問，他們的數據庫原理老師已經在吐血了。如果是三個表連接，一個sql 不能搞定，就需要先兩個表兩個表的連接，通過兩次compare key 連接之后得到你的輸出，記住，你的輸出并不能代表你的輸入. 下面總結一下:
1.?單數據源輸入，直接用sql 做連接
2.?多數據源輸入，（可能是文本或是兩個以上源數據庫），用database join 操作.
3.?三個表以上的多字段輸出.
2.?Kettle的數據庫連接模式
Kettle的數據庫連接是一個步驟里面控制一個單數據庫連接，所以kettle的連接有數據庫連接 池，你可以在指定的數據庫連接里面指定一開始連接池里面放多少個數據庫連接，在創(chuàng)建數據庫連接的時候就有Pooling 選項卡，里面可以指定最大連接數和初始連接數，這可以一定程度上提高速度.
3.?transaction
我想在步驟A執(zhí)行一個操作（更新或者插入），然后在經過若干個步驟之后，如果我發(fā)現某一個條件成立，我就提交所有的操作，如果失敗，我就回滾，kettle提供這種事務性的操作嗎？
Kettle 里面是沒有所謂事務的概念的，每個步驟都是自己管理自己的連接的，在這個步驟開始的時候打開數據庫連接，在結束的時候關閉數據庫連接，一個步驟是肯定不會 跨session的（數據庫里面的session）, 另外，由于kettle是并行執(zhí)行的，所以不可能把一個數據庫連接打開很長時間不放，這樣可能會造成鎖出現，雖然不一定是死鎖，但是對性能還是影響太大 了。ETL中的事務對性能影響也很大，所以不應該設計一種依賴與事務方式的ETL執(zhí)行順序，畢竟這不是OLTP，因為你可能一次需要提交的數據量是幾百 GB都有可能，任何一種數據庫維持一個幾百GB的回滾段性能都是會不大幅下降的.
4.?我真的需要transaction 但又不想要一個很復雜的設計，能不能提供一個簡單一點的方式
Kettle 在3.0.2GA版中將推出一種新功能，在一個table output 步驟中有一個Miscellaneous 選項卡，其中有一個Use unique connections 的選項，如果你選中的話就可以得到一個transaction 的簡單版，
由于是使用的單數據庫連接，所以可以有錯誤的時候回滾事務，不過要提醒一點是這種方式是以犧牲非常大的性能為前提條件的，對于太大的數據量是不適合的(個人仍然不建議使用這種方式)
5.?temporary 表如何使用
我要在ETL過程中創(chuàng)建一個中間表，當某個條件成立的時候，我要把中間表的數據進行轉換，當另一條件成立的時候我要對中間表進行另一個操作，我想使用數據庫的臨時表來操作，應該用什么步驟。
首 先從temp 表的生命周期來分，temp分為 事務臨時表和會話臨時表，前面已經解釋過了，kettle是沒有所謂事務的概念的，所以自然也沒有所謂的事務臨時表。Kettle的每個步驟管理自己的數 據庫連接，連接一結束，kettle也就自然丟掉了這個連接的session 的handler , 沒有辦法可以在其他步驟拿回這個session 的handler , 所以也就不能使用所謂的會話臨時表，當你嘗試再開一個連接的時候，你可以連上這個臨時表，但是你想要的臨時表里面的數據都已經是空的(數據不一定被清除 了，但是你連不上了)，所以不要設計一個需要使用臨時表的轉換
之所以會使用臨時表，其實跟需要 ”事務” 特性有一點類似，都是希望在ETL過程中提供一種緩沖。臨時表很多時候都不是某一個源表的全部數據的鏡像，很多時候臨時表都是很小一部分結果集，可能經過了某種計算過程，你需要臨時表無非是基于下面三個特性：
1.?表結構固定，用一個固定的表來接受一部分數據。
2.?每次連接的時候里面沒有數據。你希望它接受數據，但是不保存，每次都好像執(zhí)行了truncate table 操作一樣
3.?不同的時候連接臨時表用同一個名字，你不想使用多個連接的時候用類似與temp1 , temp2 , temp3 , temp4 這種名字，應為它們表結構一樣。
既然臨時表不能用，應該如何設計ETL過程呢？（可以用某種詭異的操作搞出臨時表，不過不建議這樣做罷了）
如 果你的ETL過程比較的單線程性，也就是你清楚的知道同一時間只有一個這樣的表需要，你可以創(chuàng)建一個普通的表，每次連接的時候都執(zhí)行truncate 操作，不論是通過table output 的truncate table 選項，還是通過手工執(zhí)行truncate table sql 語句（在execute sql script 步驟）都可以達到目的（基于上面的1，2 特性）
如果你的ETL操作比較的多線程性，同一時間可 能需要多個表結構一樣并且里面都是為空的表（基于上面1，2，3特性），你可以創(chuàng)建一個 “字符串+序列”? 的模式，每次需要的時候，就創(chuàng)建這樣的表，用完之后就刪除，因為你自己不一定知道你需要多少個這種類型的表，所以刪除會比truncate 好一些。
下面舉個例子怎么創(chuàng)建這種表：
你可以使用某種約定的表名比如department_temp 作為department 的臨時表。或者
把argument 傳到表名，使用 department_${argument} 的語法，
如果你需要多個這種表，使用一個sequence 操作+execute sql script 操作，execute sql script 就下面這種模式
????????? Create table_?? (…………..)
在表的名字上加參數，前面接受一個sequence 或類似的輸入操作.
需 要注意的是這種參數表名包括database table input 或者execute sql script ，只要是參數作為表名的情況前面的輸入不能是從數據庫來的,應為沒有辦法執(zhí)行這種preparedStatement? 語句，從數據庫來的值后面的操作是 “值操作” ,而不是字符串替換，只有argument 或者sequence 操作當作參數才是字符串替換. (這一點官方FAQ也有提到)
6.?update table 和execute sql script 里面執(zhí)行update 的區(qū)別
執(zhí)行update table 操作是比較慢的，它會一條一條基于compare key 對比數據，然后決定是不是要執(zhí)行update sql , 如果你知道你要怎么更新數據盡可能的使用execute sql script 操作，在里面手寫update sql （注意源數據庫和目標數據庫在哪），這種多行執(zhí)行方式（update sql）肯定比單行執(zhí)行方式（update table 操作）快的多。
另一個區(qū)別是execute sql script 操作是可以接受參數的輸入的。它前面可以是一個跟它完全不關的表一個sql :
select field1, field2 field3 from tableA
后面執(zhí)行另一個表的更新操作：
update tableB set field4 = ? where field5=? And field6=?
??????? 然后選中execute sql script 的execute for each row .注意參數是一一對應的.(field4 對應field1 的值，
field5 對應field2 的值， field6 對應field3 的值)
7.?kettle的性能
kettle本身的性能絕對是能夠應對大型應用的，一般的基于平均行長150的一條記錄，假設源數據庫，目標數據 庫以及kettle都分別在幾臺機器上（最常見的桌面工作模式，雙核，1G內存），速度大概都可以到5000 行每秒左右，如果把硬件提高一些，性能還可以提升 , 但是ETL 過程中難免遇到性能問題，下面一些通用的步驟也許能給你一些幫助.
盡量使用數據庫連接池
盡量提高批處理的commit size
盡量使用緩存，緩存盡量大一些（主要是文本文件和數據流）
Kettle 是Java 做的，盡量用大一點的內存參數啟動Kettle.
可以使用sql 來做的一些操作盡量用sql
Group , merge , stream lookup ,split field 這些操作都是比較慢的，想辦法避免他們.，能用sql 就用sql
插入大量數據的時候盡量把索引刪掉
盡量避免使用update , delete 操作，尤其是update , 如果可以把update 變成先delete ,? 后insert .
能使用truncate table 的時候，就不要使用delete all row 這種類似sql
合理的分區(qū)
如果刪除操作是基于某一個分區(qū)的，就不要使用delete row 這種方式（不管是delete sql 還是delete 步驟）,直接把分區(qū)drop 掉，再重新創(chuàng)建
盡量縮小輸入的數據集的大?。ㄔ隽扛乱彩菫榱诉@個目的）
盡量使用數據庫原生的方式裝載文本文件(Oracle 的sqlloader , mysql 的bulk loader 步驟)
盡量不要用kettle 的calculate 計算步驟，能用數據庫本身的sql 就用sql ,不能用sql 就盡量想辦法用procedure , 實在不行才是calculate 步驟.
要知道你的性能瓶頸在哪，可能有時候你使用了不恰當的方式，導致整個操作都變慢，觀察kettle log 生成的方式來了解你的ETL操作最慢的地方。
遠程數據庫用文件+FTP 的方式來傳數據 ，文件要壓縮。（只要不是局域網都可以認為是遠程連接）
8.?描述物理環(huán)境
源數據庫的操作系統，硬件環(huán)境，是單數據源還是多數據源，數據庫怎么分布的，做ETL的那臺機器放在哪，操作系統和硬件 環(huán)境是什么，目標數據倉庫的數據庫是什么，操作系統，硬件環(huán)境，數據庫的字符集怎么選，數據傳輸方式是什么，開發(fā)環(huán)境，測試環(huán)境和實際的生產環(huán)境有什么區(qū) 別，是不是需要一個中間數據庫(staging 數據庫) ，源數據庫的數據庫版本號是多少，測試數據庫的版本號是多少，真正的目標數據庫的版本號是多少……. 這些信息也許很零散，但是都需要一份專門的文檔來描述這些信息，無論是你遇到問題需要別人幫助的時候描述問題本身，還是發(fā)現測試環(huán)境跟目標數據庫的版本號 不一致,這份專門的文檔都能提供一些基本的信息
9.?procedure
為什么我不能觸發(fā)procedure?
這個問題在官方FAQ里面也有提到，觸發(fā)procedure 和 http client 都需要一個類似與觸發(fā)器的條件，你可以使用generate row 步驟產生一個空的row ,然后把這條記錄連上procedure 步驟，這樣就會使這條沒有記錄的空行觸發(fā)這個procedure (如果你打算使用無條件的單次觸發(fā)) ，當然procedure 也可以象table input 里面的步驟那樣傳參數并且多次執(zhí)行.
另外一個建議是不要使用復雜的procedure 來完成本該ETL任務完成的任務，比如創(chuàng)建表，填充數據，創(chuàng)建物化視圖等等.
