使用 Kettle 完成数据 ETL

现在我们有一份网站的日志数据集，准备使用Kettle进行数据ETL。先将数据集加载到Hadoop集群中，然后对数据进行清洗，最后加载到Hive中。

在本地新建一个数据集文件weblogdata.txt，文件内容如下所示：

2018-10-01 10:00:00,"http://www.example.com/path/to/page1.html",192.168.1.1,"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"
2018-10-01 10:00:01,"http://www.example.com/path/to/page2.html",192.168.1.2,"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"
2018-10-01 10:00:02,"http://www.example.com/path/to/page3.html",192.168.1.3,"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"
2018-10-01 10:00:03,"http://www.example.com/path/to/page4.html",192.168.1.4,"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"
2018-10-01 10:00:04,"http://www.example.com/path/to/page1.html",192.168.1.1,"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"
2018-10-01 10:00:05,"http://www.example.com/path/to/page1.html",192.168.1.2,"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"
2018-10-01 10:00:06,"http://www.example.com/path/to/page2.html",192.168.1.3,"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"
2018-10-01 10:00:07,"http://www.example.com/path/to/page3.html",192.168.1.1,"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"

字段说明如下：

• timestamp：时间戳，格式为“yyyy-MM-dd HH:mm:ss”。
• url：网页 URL。
• ip：访问该网页的 IP 地址。
• useragent：访问该网页的用户代理（即浏览器）

在之前创建的作业中，点击“核心对象”标签，选择“通用”下面的“START”,拖曳1个“START”控件到右侧的设计区域。

在左侧项目栏的核心对象中，选择“Big Data”下面的“Hadoop Copy Files”控件，拖曳1个“Hadoop Copy Files”控件到右侧的设计区域。然后，单击“START”控件，在弹出的下拉选项中，选择最右侧的按钮，将箭头拖拽至“Hadoop Copy Files”控件，使得“Hadoop Copy Files”与“START”控件之间建立连接。

在设计区域的“Hadoop Copy Files”控件图标上双击，将会弹出属性设置对话框。编辑属性如下：

• Source Environment：选择“Local”。

• 源文件/目录：选择本地文件路径。

• 通配符：空。

• Destination Environment：选择“Hadoop local”，这是我们之前已经建立好的Hadoop Clusters 对象。

• Destination File/Folder：选择 HDFS 上的目录，本例为/input。如果不存才该目录，使用命令“hdfs dfs -mkdir /input”进行创建。

点击“确定”，保存设置后，单击设计区域顶部快捷图标栏的三角形“运行”按钮，开始运行作业。

单击运行按钮以后，会弹出图所示的“执行作业”窗口，单击界面底部的“执行”按钮即可。

执行后，在作业设计区域底部可以看到执行的日志信息和作业度量信息。

如果是没有权限操作 HDFS中的“/input”目录。这也与之前在配置 Hadoop 集群连接的时候，产生“User Home Directory Access”和“Root Directory Access”这两条错误信息的原因一致。我们可以通过配置“/input”目录的权限，来解决此处报错。具体命令如下所示。

[user@hadoop102 ~]$ hdfs dfs -chmod 777 /input

修改完目录权限后，我们再次点击“运行”即可。

运行成功后我们可以在Linux终端中使用如下命令进行查看。

[user@hadoop102 ~]$ hdfs dfs -ls /input

-rw-r--r--   3  LZ  supergroup	 1472	 2023-05-07 17:05 	/input/weblogdata.txt

可以看到数据已经成功加载到HDFS中。

数据清洗

在之前的操作中，我们将数据集文件导入到 HDFS 的过程中，没有进行任何处理。现在我们想对输入的文件进行一个初步的清洗，将时间戳中的时分秒删除，只保留年月日，然后再加载到HDFS中。

先删除上一节中导入的数据。

[user@hadoop102 ~]$ hdfs dfs -rm /input/weblogdata.txt

在 Spoon 主界面的操作菜单中，依次选择“文件”→“新建”→“转换”，创建一个新的转换并保存，可以保存名称为“deleteTime”。

​在左侧项目栏的“核心对象”中，选择“输入”→“文本文件输入”，拖曳该控件到右侧的设计区域。

在“文本文件输入”控件图标上双击鼠标，然后单击“增加”按钮，单击“文件或目录”右侧的“浏览”按钮，选择weblogdata.txt文件。

​单击 “内容”，将分隔符改成“，”，即改成英文逗号，并把“头部”复选框的勾号去掉，不要选中，否则第一行的信息可能会丢失。

单击“字段”选项卡，单击“获取字段”按钮，将所有字段的字段类型都设置为“String”，再单击“确定”按钮。

在 Spoon 主界面的左侧项目栏的“核心对象”中，选择“转换”→“剪切字符串”，拖曳该控件到右侧的设计区域，并与“文本文件输入”控件进行连接。

双击鼠标打开“剪切字符串”控件属性设置对话框，将“输入流字段”设置为“Field1”, “输出流字段”不用改变，“起始位置”设置为 0，“结束位置”设置为10，单击“确定”按钮。

​在 Spoon 主界面的左侧项目栏的“核心对象”中，选择“Big Data”→“Hadoop File Output”, 拖拽该控件到右侧的设计区域，并与“剪切字符串”控件进行连接，连接时会出现两个选项，即“主输入步骤”和“错误处理步骤”，这里需要选择“主输入步骤”。

双击鼠标打开“Hadoop File Output”控件属性设置对话框，将“Hadoop cluster”设置为“Hadoop”，也就是直接使用已经配置好的 Hadoop 集群名称。在“文件”选项卡中，单击“Folder/File”右侧的“浏览（B)…”按钮，找到 HDFS 中的目录“input”（这个目录在之前的步骤中已经创建），单击“OK”按钮。在 input 后输入/logs。

在“内容”选项卡中，将“分隔符”里的符号改为英文逗号“,”，然后将“头部”复选框的勾号去掉，不要选中。

在“字段”选项卡中，依次单击下面的“获取字段”按钮和“最小宽度”按钮，然后单击“确定”按钮。

执行转换单击 Spoon 主界面的顶部菜单的运行按钮，进入执行转换界面，单击“启动”按钮开始执行转换。如果转换过程成功执行，所有控件右上角都会显示“勾号”。

转换完毕后，就可以在 Linux 终端中使用 HDFS Shell 命令查看刚才传输到 HDFS 中的各个文件。可以使用如下命令查看数据。

[user@hadoop102 opt]$ hdfs dfs -cat /input/logs.txt

结果如图所示。可以看出原来时间戳里面时分秒信息，已经被成功删除。

数据处理

在之前的示例中，我们已经演示完毕如何用 Kettle 将本地文件初步清洗后导入到 HDFS中，接下来我们尝试使用 Kettl 执行 Hive 的 HiveQL 语句，尝试统计每个页面的访问量，按由高到底排序。

在Hive中建表语句如下所示。表中数据如图所示。

CREATE EXTERNAL TABLE weblogs (
datetime STRING,
url STRING,
ip STRING,
user_agent STRING
)ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
LOCATION '/input';

新建一个 Kettle 作业，只有“START”和“SQL”两个作业项，可以保存名称为“visits”。参考之前的步骤，拖拽“START”和“SQL”（在“脚本”下面）这两个控件，并进行连接。

在“SQL”控件图标上双击鼠标，打开属性设置对话框，在 SQL 脚本文本框中输入 SQL语句如下所示。

CREATE TABLE weblogs_visits as
SELECT url, COUNT(*) AS visit_count
FROM weblogs
GROUP BY url
ORDER BY visit_count DESC;

在确认已经启动 HiveServer2 服务后，单击“启动”按钮开始执行作业。执行完毕后，查询 weblogs_visits 表内容。

从图中可以看到url已经按照访问量倒序排列，page1是被访问次数最多的页面。