KETTLE-Hadoop文件数据抽取及输出

Posted 2020-11-30

一、需求说明
将源表（T_USER）中的用户信息同步到Hadoop中，然后再抽取Hadoop文件中数据到文本文件中。

二、启动kettle
双击 Spoon.bat 就能启动 kettle 。

三、创建转换
1.Hadoop集群配置说明
首先需要从hadoop集群中（/../hadoop-3.1.2/etc/hadoop）复制core-site.xml，hdfs-site.xml，yarn-site.xml，mapred-site.xml文件到shim文件夹中(..data-integrationpluginspentaho-big-data-pluginhadoop-configurationscdh514)，替换已有的文件。

注意要修改这些配置文件。比如hadoop节点的地址是不是正确等。由于core-site.?xml 里面用的 hostname 连接的，而我们配置的时候用的 ip，所以需要修改core-site.xml为ip,然后重启Spoon。

由于Hadoop权限管理是弱管理，此处用户名和密码可以缺省。不过往Hadoop创建文件需要进行权限鉴证，所以此处修改Hadoop中的core-site.xml文件如下所示，表示不经过任何验证，所有用户拥有全部权限。(修改此配置需要重启hadoop)：

<property>
<name>hadoop.security.authorization</name>
<value>false</value>
</property>

2.打开 kettle，点击 文件->新建->转换。

3.HDFS连接配置说明
打开左侧“主对象树”-》“Hadoop Clusters”新建一个Hadoop集群配置，此处我采用的是一个伪分布式集群环境，输入集群信息，点击测试，右边是测试结果。

填写相应的配置值。具体含义见下表。

Hostname输入主节点IP，Port输入端口，此处跟core-site.xml中配置端口相同。

显示对勾的说明测试成功，红×说明出现问题，黄三角是警告。（上面这几个红叉不影响后面的使用，这块的排除暂且跳过）。
在左侧找到表输入（核心对象->输入->表输入），Hadoop文件输出（Big Data->Hadoop File output），如下所示：

双击右侧表输入，进行配置，选择数据源，并输入 SQL。可以点击预览进行预览数据。

4.Hadoop文件输出配置
双击Hadoop文件输出，选择Hadoop集群配置，输出路径，文件扩展名

设置字段分隔符，设置编码格式为UTF-8

设置输出字段，可以通过“获取字段”完成

保存，点击运行，执行Hadoop查询命令，结果如下所示：

查看目录，hdfs dfs -ls /tmp

查看文件，hdfs dfs -cat /tmp/test_0.txt

5.Hadoop文件抽取配置
新建一个转换，拖入Hadoop文件输入（Big Data->Hadoop File input），然后拖入一个文本文件输出，如下所示：

双击Hadoop文件输入进行配置，选择Hadoop集群链接，选择文件

设置分隔符和编码方式

设置输入字段

输出到文本文件不做说明，请参考之前课程。执行转换，查看结果。

注意：想要学习通过kettle工具实现hive、hbase数据库抽取输出，和其他更多关于kettle的知识，请扫描以下二维码或者链接获取学习资料。
链接地址：
https://edu.51cto.com/sd/e80d0
二维码地址：