大数据ETL工具 Kettle 常用输入输出
The following article is from HelloTech Author Yezhiwei
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：
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：
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
接口信息
https://xueqiu.com/service/v5/stock/preipo/cn/query?type=subscribe&order_by=onl_subbeg_date&order=asc&page=1&size=10&_=1626884306432
转换步骤：
输出结果
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 Yezhiwei staff 1473091 Jun 11 2019 hsqldb-2.3.2.jar
-rw-r--r--@ 1 Yezhiwei staff 825943 Jun 11 2019 postgresql-42.2.5.jar
-rw-r--r--@ 1 Yezhiwei staff 3201133 Jun 11 2019 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：
配置数据库连接
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」
选择表，根据提示完成设置，自动生成 SQL，「预览」可以查看数据。
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
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
数据从 Excel 插入或更新到 MySQL
新数据插入结果
更新结果
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。
扩展阅读：☞大数据ETL工具 Kettle 入门实践
点击上面文字即可跳转专题
还想看更多？
戳下面查看更多干货👇
扩展阅读：公众号后台回复“kettle”，转发即可下载资料。
🧐分享、点赞、在看，给个3连击呗！👇