//
[kettle官方首页]Data Integration | Pentaho Community
http://community.pentaho.com/projects/data-integration/
//
大数据利器ETL工具KETTLE之一---初识weirise新浪博客
http://blog.sina.com.cn/s/blog_96678c5e0102vwh5.html
SPOON ：通过图形界面来设计转换过程；
PAN：后台运行转换过程；。
CHEF：通过图形界面设计任务过程；
KITCHEN：后台运行任务过程；
Carte：配置kettle集群，运行job和转换；
3.0版本以后，chef的功能集成到spoon中了。
2006年，Kettle加入了开源的BI组织Pentaho，正式命名为PDI(Pentaho Data Integeration)。
//
大数据利器ETL工具KETTLE之二---见面weirise新浪博客
http://blog.sina.com.cn/s/blog_96678c5e0102vwj6.html
3.0版本以后，spoon和chef集成到了一起，所以图形界面中可以建立job和转换两类东东，后缀名分别是kjb和ktr。
这里简单聊聊job和转换的区别，转换可以理解为一条生产流水线，专注于数据处理。而job可以调度转换，可以进行时间设置，也就是其中所说的作业定时调度，当然，也可以执行一些文件处理，上传下载、发送邮件、执行命令、调用其它job等。总之，转换就是数据处理，job就是流程控制。
连接Transformation步骤或者连接Job（实际上就是执行顺序）的连线叫hop。
另外还有一个概念叫资源库，意思是编写的job和转换保存的地方，分为两类，文件资源库和数据库资源库，前者是把job和转换存到一个特定的文件夹内，后者是存到数据库对应的表中，这样做的目的是便于共享和移植。当然不使用资源库也可以，job和转换直接以xml形式存放到了目录中。
//
大数据利器ETL工具KETTLE之三---基本用法weirise新浪博客
http://blog.sina.com.cn/s/blog_96678c5e0102vwj7.html
kettle的基本功能分为转换功能和作业job功能。
一、转换的主要功能：
1、支持多种数据源：文本文件、Access、Excel、XML、Property文件格式等等；
2、支持多种查询：存储过程、 数据库查询、判断表以及列、操作系统文件是否存在等；
3、支持的转换方式：值映射、分组、去重、拆分字段、行列转换等（自己可以写插件扩展）；
4、支持多种脚本：JS脚本、 SQL脚本、正则表达式等；
5、支持渐变维度更新；
6、支持批量加载；
7、支持分区表和集群；
8、支持大数据对接；
二、作业的主要功能：
1、可以执行操作系统命令和操作：ping、log、mail、文件比较、文件操作等；
2、判断文件是否存在；
3、执行JavaScript、SQL、Shell脚本；
4、支持安全FTP获取、上传文件；
5、删除远程文件；
6、支持SSH2上传下载；
//
使用kettle向HBase导入数据 - 随便写点的专栏 - 博客频道 - CSDN.NET
http://blog.csdn.net/wenjiangchun/article/details/50163123
//
kettle入门(三) 之kettle连接hadoop&hdfs图文详解--阿离的文章--CFANZ社区--IT技术分享网站
http://www.cfanz.cn/index.php?c=article&a=read&id=226244
//
kettle 开发总结 - 搞怪的索引 - 博客频道 - CSDN.NET
http://blog.csdn.net/perfect_db/article/details/9715481
//
kettle初探 - wingsless - 博客园
http://www.cnblogs.com/wingsless/p/3187436.html
下面是补充部分：
在一个Job或者一个trans建立好之后，就可以建立定时任务了。如果是DS，那么DS客户端本身就支持schedule，但是Kettle因为没有服务端和客户端的概念，因此只有使用linux的crontab，其实Job本身也支持定时，但是你必须保证图形界面一直开着，这样并不如crontab那么好。**在命令行里使用kettle很简单，Job用kitchen调度，trans用pan调度。**
下面是一个kitchen的调度命令：
bash /home/kettle/data-integration/kitchen.sh /rep kettle_demo /user username /pass passwd /level Minimal /dir /dirname /job jobname
rep那里写自己的资源库名称。
trans和上面一样，略有不同：
bash /home/kettle/data-integration/pan.sh /rep kettle_demo /user username /pass passwd /level Minimal /dir /dirname /trans transname
//
社工库数据格式化之Kettle Spoon | 邪恶十六进制
http://www.evil0x.com/posts/29336.html?safedogsession=DDC2A6F756
这里就要说到kettle。首先得说说Pentaho这个企业。Pentaho主要致力于大数据的分析，整理和管理，并且这家公司开发出来的工具是开源的！没错，就是开源的。任何人都可以查看这个项目的源代码，并且对其进行更改和研究。这家公司开发了很多管理工具或者框架，最为出名的就是kettle了。Kettle是一款国外开源的ETL工具，纯java编写，可以在Window、Linux、Unix上运行，数据抽取高效稳定。ELT的全称为Extraction, Transformation Loading，其中文解释为提取，转换和加载。Kettle这个工具里面有SPOON，PAN，CHEF，Encr和KITCHEN这么五个基本组建。
SPOON 允许你通过图形界面来设计ETL转换过程（TRANSFORMATION）。
PAN 允许你批量运行由SPOON设计的ETL转换 (例如使用一个时间调度器)。PAN是一个后台执行的程序，没有图形界面。
CHEF 允许你创建任务（JOB）。 任务通过允许每个转换，任务，脚本等等，更有利于自动化更新数据仓库的复杂工作。任务通过允许每个转换，任务，脚本等等。任务将会被检查，看看是否正确地运行了。
KITCHEN 允许你批量使用由CHEF设计的任务 (例如使用一个时间调度器)。KITCHEN也是一个后台运行的程序。
ENCR 此脚本是用来加密连接数据库密码与集群时使用的密码
//
ETL工具Kettle对PostgreSQL操作的基本介绍 - Jaytse的专栏 - 博客频道 - CSDN.NET
http://blog.csdn.net/jaytse/article/details/2985977
基本概念
我们常使用Spoon（是Kettle中的一个子项目）进行数据transfer，这里只是自己对下面一些基本概念的理解，具体请自行参见Spoon的文档。
Transform：定义了数据transfer的基本操作流程，通常包括Input， Output和Hop
Job：定义了一组数据transfer的操作流程，可以包括多个Job或transform。
Input：定义了数据流的起点
Output：定义了数据流的终点
Step：是transform的基本构成点，Input和Output都是一种step
DB Connection：定义了数据库连接的名字，通常和Input以及Output配合使用
Start：定义了Job中transfer的起点
Hop：表示Step间数据的流向
SQL脚本：JOB中多个Transform或子JOB之间表示需要执行的SQL脚本
//
kettle设计工具spoon安装问题及解决（Win环境） - zoubf的专栏 - 博客频道 - CSDN.NET
http://blog.csdn.net/zoubf/article/details/50413173
Kettle是Pentaho的一个组件，主要用于数据库间的数据迁移。
Kettle自己有三个主要组件：Spoon，Kitchen，Pan。其中Spoon是一个图形化的界面。
//
Kettle_百度百科
http://baike.baidu.com/link?url=ui9VRUlzzFwNOUdf9kC6uGgAEu2A-AwB5IXUU6opIpz90MPXrptJXykXEHehOkcNwIXv6VPtmmQF9BcsQo-5J_
//
kettle初探 - wingsless - 博客园
http://www.cnblogs.com/wingsless/p/3187436.html
Kettle是Pentaho的一个组件，主要用于数据库间的数据迁移，到我用过的4.2版，还不支持noSQL，不知道4.4是不是支持了。
//
在Web中集成Kettle - mengtianyalll的专栏 - 博客频道 - CSDN.NET
http://blog.csdn.net/mengtianyalll/article/details/44243209
//
一个实际项目Java架构设计之ETL(Kettle)部分介绍 - RocChen的专栏 - 博客频道 - CSDN.NET
http://blog.csdn.net/cpaqyx/article/details/46481793
[图片上传中。。。（1）]
//
可用于Hadoop下的ETL工具——Kettle - Hadoop分布式数据分析平台-炼数成金-Dataguru专业数据分析社区
http://f.dataguru.cn/thread-56182-1-1.html
像Eclipse一样，Kettle也是采用插件模式实现，任何个人或团体可以向其贡献插件代码；目前kettle支持很多中数据源，如：大多数市面上的数据库、文本文件、Excel、XML、Json文件、等等，能够对抽取的数据做排序、分组、合并、行转列、列转行、字段合并和分隔、不同数据源间的连接（如数据库表那样）、数据库文件的导入导出等操作。另外还支持Hadoop上文件的读取和写入，以及HBase的输入输出；其中的TableInput组件还支持Hive数据的读写，真是一款数据整合中不可多得的利器。
//
ETL见解 - 搞怪的索引 - 博客频道 - CSDN.NET
http://blog.csdn.net/perfect_db/article/details/7715454
这时要么用开源的etl工具，要么就是写procedure，但是在用开源的etl工具时要对这个软件有相当的把握，知道有哪些bug,不然在运行的时候忽然出现了问题，再去查资料找原因，严重的话就会涉及到商务的问题吧。其实自己做的第一个项目就是这样的状况，但是为了最后的调度方便，还是结合了procedure和开源的etl工具kettle来共同完成其功能，整体效果还算理想。
//
ETL高级教程kettle - JAVA相关技术 - ITeye技术网站
http://lichao-super.iteye.com/blog/1577166
1，Kettle跨平台使用。
例如：在AIX下（AIX是IBM商用UNIX操作系统，此处在LINUX/UNIX同样适用），运行Kettle的相关步骤如下：
1）进入到Kettle部署的路径
2）执行 chmod *.sh，将所有shell文件添加可执行权限
3）在Kettle路径下，如果要执行transformation，就运行./pan.sh -file=?.ktr -debug=debug -log=log.log
其中。-file说明你要运行的transformation文件所在的路径；-debug说明日志输出的级别；-log说明日志输出的路径
4）同理，对于job的执行，请将./pan.sh更换成./kitchen.sh，其他部分说明不变。
2，Kettle环境变量使用。
在transformation中，Core Objects-->Job-->Set Variables，可以设置环境变量，对于绝对路径和相对路径的转换很有帮助，Kettle的跨平台很大程度依靠它
3，其它功能的使用。
其它功能包括DB存储过程调用，流查询，值映射，聚合记录等，各位自行摸索
4，Kettle定时功能。
在Job下的start模块，有一个定时功能，可以每日，每周等方式进行定时，对于周期性的ETL，很有帮助。
a.使用资源库（repository）登录时，默认的用户名和密码是admin/admin。
b.当job是存放在资源库（一般资源库都使用数据库）中时，使用Kitchen.bat执行job时，需使用如下的命令行：
Kitchen.bat /rep kettle /user admin /pass admin /job job名
c.当job没有存放在资源库而存放在文件系统时，使用Kitchen.bat执行job时，需使用如下的命令行：
Kitchen.bat /norep /file user-transfer-job.kjb
d.可以使用命令行执行job后，就可以使用windows或linux的任务调度来定时执行任务了
e.如果出现异常语句，
Unexpected error during transformation metadata load
No repository defined!
请按上面的操作排除。
5,Kettle经验之日志。
Kettle对于日志的处理，存在一个BUG，看过上一篇的人或许已经看到了我的留言，Kettle对于日志处理有一个BUG，当日志多于49M（不是50M，也不是49M），Kettle就会自动停止，这一点我在源码里面也没有找到对应的设置和约束，原因还找不到，因为是日志没有写，所以原因也不好跟踪还不知道具体原因。
6，Kettle之效率提升。
Kettle作为一款ETL工具，肯定无法避免遇到效率问题，当很大的数据源输入的时候，就会遇到效率的问题。对此有几个解决办法：
1）数据库端创建索引。对需要进行查询的数据库端字段，创建索引，可以在很大程度上提升查询的效率，最多的时候，我不创建索引，一秒钟平均查询4条记录，创建索引之后，一秒钟查询1300条记录。
2）数据库查询和流查询注意使用环境。因为数据库查询为数据输入端输入一条记录，就对目标表进行一次查询，而流查询则是将目标表读取到内存中，数据输入端输入数据时，对内从进行查询，所以，当输入端为大数据量，而被查询表数据量较小（几百条记录），则可以使用流查询，毕竟将目标表读到内存中，查询的速度会有非常大的提升（内存的读写速度是硬盘的几百倍，再加上数据库自身条件的制约，速度影响会更大）。同理，对于目标表是大数据量，还是建议使用数据库查询，不然的话，一下子几百M的内存被干进去了，还是很恐怖的。
3）谨慎使用javascript脚本，因为javascript本身效率就不高，当你使用js的时候，就要考虑你每一条记录，就要执行一次js所需要的时间了。
4）数据库commit次数，一条记录和一百条记录commit对效率的影响肯定是不一样的。
5）表输入的sql语句的写法。有些人喜欢在表输入的时候，将所有关联都写进去，要么from N多个表，要么in来in去，这样，就要面对我在2）里面说道的问题，需要注意。
6）注意日志输出，例如选择数据库更新方式，而且日志级别是debug，那么后台就会拼命的输出日志，会在很大程度上影响速度，此处一定要注意。
7，常见的调试BUG。
Kettle提供了很多调试的解决办法，但是对于常见的调试BUG还是能避免就避免。
1）路径问题。我最常遇到的问题就是在windows下调试成功，但是部署到UNIX下出问题，忘记将windows下路径变成unix下，经常会出现问题。
2）输出端，数据库插入更新选择不对。输出端，提供了三种数据库输出的办法，数据库输出，插入/更新，更新，对于这三种，各有利弊，如果你知道数据库输出，完全是插入，如果有重复数据，则会报错；插入更新和更新，因为更新数据时，后台输出很多日志，会导致效率很低。
//
ETL工具Kettle对PostgreSQL操作的基本介绍 - Jaytse的专栏 - 博客频道 - CSDN.NET
http://blog.csdn.net/jaytse/article/details/2985977
Bug修改
在Kettle中，在处理PostgreSQL数据时候，我们目前发现2个会对工作产生影响的Bug。其一是对bytea数据的处理，其二是对boolean数据的处理。我们可以简单对它的源码进行修改，使它可以运行起来。
