Kettle_Linux下安装使用_调优

四、 Linux下安装使用

1、单机

• jdk安装

• 安装包上传到服务器，并解压

  注意：

  1. 把mysql驱动拷贝到lib目录下

  2. 将windows本地用户家目录下的隐藏目录C:\Users\自己用户名\.kettle 目录，

     整个上传到linux的用户的家目录下，root用户的家目录为/root/

• 运行数据库资源库中的转换：

  cd /usr/local/soft/data-integration
  ./pan.sh -rep=my_repo -user=admin -pass=admin -trans=tran1
  

  参数说明：

  ? -rep 资源库名称

  ? -user 资源库用户名

  ? -pass 资源库密码

  ? -trans 要启动的转换名称

  ? -dir 目录(不要忘了前缀 /)（如果是以ktr文件运行时，需要指定ktr文件的路径）

• 运行资源库里的作业：

  记得把作业里的转换变成资源库中的资源

  记得把作业也变成资源库中的资源

  cd /usr/local/soft/data-integration
  ./kitchen.sh -rep=my_repo -user=admin -pass=admin -job=job1 -logfile=./logs/log.txt
  

  参数说明：
  -rep - 资源库名
  -user - 资源库用户名
  -pass – 资源库密码
  -job – job名
  -dir – job路径（当直接运行kjb文件的时候需要指定）
  -logfile – 日志目录

2、 集群模式

• 准备三台服务器

  master作为Kettle主服务器，服务器端口号为8080，

  node1和node2作为两个子服务器，端口号分别为8081和8082。

• 安装部署jdk

• hadoop完全分布式环境搭建

• 上传并解压kettle的安装包至/usr/local/soft/目录下

• 进到/usr/local/soft/data-integration/pwd目录，修改配置文件

  • 修改主服务器配置文件carte-config-master-8080.xml

    
        master
        master
        8080
        Y
        cluster
        cluster
    
    

  • 修改从服务器配置文件carte-config-8081.xml

    
        
          master
          master
          8080
          cluster
          cluster
          Y
        
    
    Y
    
        slave1
        node1
        8081
        cluster
        cluster
        N
    
    

  • 修改从配置文件carte-config-8082.xml

    
        
          master
          master
          8080
          cluster
          cluster
          Y
        
    
    Y
    
        slave2
        node2
        8082
        cluster
        cluster
        N
    
    

• 分发整个kettle的安装目录，通过scp命令

• 启动相关进程，在master,node1,node2上分别执行

[root@master]# ./carte.sh master 8080
[root@node1]# ./carte.sh node1 8081
[root@node2]# ./carte.sh node2 8082

• 访问web页面

http://master:8080

案例：读取hive中的emp表，根据id进行排序，并将结果输出到hdfs上

注意：因为涉及到hive和hbase的读写，需要修改相关配置文件。

修改解压目录下的data-integration\plugins\pentaho-big-data-plugin下的plugin.properties，设置active.hadoop.configuration=hdp26，并将如下配置文件拷贝到data-integration\plugins\pentaho-big-data-plugin\hadoop-configurations\hdp26下

• 创建转换，编辑步骤，填好相关配置

  直接使用trans1

• 创建子服务器，填写相关配置，跟集群上的配置相同

• 创建集群schema，选中上一步的几个服务器

• 对于要在集群上执行的步骤，右键选择集群，选中上一步创建的集群schema

• 创建Run Configuration,选择集群模式

• 直接运行，选择集群模式运行

  参数参考：

  -Xmx2048m：设置JVM最大可用内存为2048M。

  -Xms1024m：设置JVM促使内存为1024m。此值可以设置与-Xmx相同，以避免每次垃圾回收完成后JVM重新分配内存。

  -Xmn2g：设置年轻代大小为2G。整个JVM内存大小=年轻代大小 + 年老代大小 + 持久代大小。持久代一般固定大小为64m，所以增大年轻代后，将会减小年老代大小。此值对系统性能影响较大，Sun官方推荐配置为整个堆的3/8。

  -Xss128k：设置每个线程的堆栈大小。JDK5.0以后每个线程堆栈大小为1M，以前每个线程堆栈大小为256K。更具应用的线程所需内存大小进行调整。在相同物理内存下，减小这个值能生成更多的线程。但是操作系统对一个进程内的线程数还是有限制的，不能无限生成，经验值在3000~5000左右。

  2、 调整提交（Commit）记录数大小进行优化，Kettle默认Commit数量为：1000，可以根据数据量大小来设置Commitsize：1000~50000

  3、尽量使用数据库连接池；

  4、尽量提高批处理的commit size；

  5、尽量使用缓存，缓存尽量大一些（主要是文本文件和数据流）；

  6、Kettle是Java做的，尽量用大一点的内存参数启动Kettle；

  7、可以使用sql来做的一些操作尽量用sql；

  Group , merge , stream lookup,split field这些操作都是比较慢的，想办法避免他们.，能用sql就用sql；

  8、插入大量数据的时候尽量把索引删掉；

  9、尽量避免使用update , delete操作，尤其是update,如果可以把update变成先delete, 后insert；

  10、能使用truncate table的时候，就不要使用deleteall row这种类似sql合理的分区，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deletesql还是delete步骤）,直接把分区drop掉，再重新创建；

  11、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）；

  12、尽量使用数据库原生的方式装载文本文件(Oracle的sqlloader, mysql的bulk loader步骤)。