ETL工具 - Kettle 查询、连接、统计、脚本算子介绍

一、 Kettle

上篇文章对 Kettle 流程、应用算子进行了介绍，本篇对查询、连接、统计、脚本算子进行讲解，下面是上篇文章的地址：

ETL工具 - Kettle 流程、应用算子介绍

二、查询算子

数据输入使用 Mysql 表输入，表结构如下：

CREATE TABLE `user` (  `id` int NOT NULL AUTO_INCREMENT,  `name` varchar(255) DEFAULT NULL,  `age` int DEFAULT NULL,  `type` int DEFAULT NULL,  PRIMARY KEY (`id`)) ENGINE=InnoDB AUTO_INCREMENT=13 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci;

INSERT INTO `test`.`user`(`id`, `name`, `age`, `type`) VALUES (1, '小明', 90, '1');INSERT INTO `test`.`user`(`id`, `name`, `age`, `type`) VALUES (3, '小兰', 92, '1');INSERT INTO `test`.`user`(`id`, `name`, `age`, `type`) VALUES (4, '小爱', 93, '1');INSERT INTO `test`.`user`(`id`, `name`, `age`, `type`) VALUES (5, '张三', 94, '1');INSERT INTO `test`.`user`(`id`, `name`, `age`, `type`) VALUES (6, '李四', 95, '1');INSERT INTO `test`.`user`(`id`, `name`, `age`, `type`) VALUES (7, '王五', 96, '1');INSERT INTO `test`.`user`(`id`, `name`, `age`, `type`) VALUES (8, '赵六', 97, '1');INSERT INTO `test`.`user`(`id`, `name`, `age`, `type`) VALUES (9, 'xiao ai', 22, '2');INSERT INTO `test`.`user`(`id`, `name`, `age`, `type`) VALUES (10, 'wang wu ', 23, '2');INSERT INTO `test`.`user`(`id`, `name`, `age`, `type`) VALUES (11, '小王,小七', 22, '3');INSERT INTO `test`.`user`(`id`, `name`, `age`, `type`) VALUES (12, '小八,小九', 23, '3');

表输入控件：

2.1 数据库查询

从数据库里面查询出数据，然后跟数据流中的数据进行左连接：

创建测试表：

CREATE TABLE `hobby` (  `id` int NOT NULL AUTO_INCREMENT,  `name` varchar(255) DEFAULT NULL,  `hobby` varchar(255) DEFAULT NULL,  PRIMARY KEY (`id`)) ENGINE=InnoDB AUTO_INCREMENT=3 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci;

INSERT INTO `test`.`hobby`(`id`, `name`, `hobby`) VALUES (1, '小明', '打篮球');INSERT INTO `test`.`hobby`(`id`, `name`, `hobby`) VALUES (2, '小兰', '踢足球');

运行后效果：

2.2 流查询

查询两条数据流中的数据，然后按照指定的字段做等值匹配。在查询前会把数据都加载到内存中，并且只能做等值查询，结果只能展示其中一条连接的数据：

运行后效果：

2.3 模糊匹配

需要有两个输入流，一个主数据流一个匹配流，会根据主数据流找出一个最佳的匹配流中的数据，匹配算法可以有多种选择。

比如修改 hobby 表数据为如下数据：

下面的 匹配字段、值字段 表示匹配时命中的内容和匹配的置信度的列名，可以固定写成 match、measure value

运行后查看结果：

三、连接算子

连接算子一般将多个数据集通过关键字进行连接，类似 sql 中的连接操作：

3.1 合并记录

将两个不同来源的数据合并，数据分别为旧数据和新数据，将旧数据和新数据按照指定的关键字匹配、比较、合并。注意旧数据和新数据需要按照关键字段排序，并且旧数据和新数据要有相同的字段名称。

合并后的数据将包括旧数据和新数据的所有数据，对于变化的数据，使用新数据代替旧数据，同时在结果里用一个标示字段，来指定新旧数据的比较结果。

下面创建 user2 表作为 新数据：

CREATE TABLE `user2` (  `id` int NOT NULL AUTO_INCREMENT,  `name` varchar(255) DEFAULT NULL,  `age` int DEFAULT NULL,  `type` int DEFAULT NULL,  PRIMARY KEY (`id`)) ENGINE=InnoDB AUTO_INCREMENT=14 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci;

INSERT INTO `test`.`user2`(`id`, `name`, `age`, `type`) VALUES (1, '小明', 90, 1);INSERT INTO `test`.`user2`(`id`, `name`, `age`, `type`) VALUES (3, '小兰', 92, 1);INSERT INTO `test`.`user2`(`id`, `name`, `age`, `type`) VALUES (4, '小爱2', 93, 1);INSERT INTO `test`.`user2`(`id`, `name`, `age`, `type`) VALUES (5, '张三2', 94, 1);INSERT INTO `test`.`user2`(`id`, `name`, `age`, `type`) VALUES (6, '李四', 95, 1);INSERT INTO `test`.`user2`(`id`, `name`, `age`, `type`) VALUES (7, '王五', 96, 1);

运行后查看结果：

其中标志字段的含义：

• identical： 旧数据和新数据一样
• changed ： 数据发生了变化;
• new： 新数据中有而旧数据中没有的记录
• deleted ：旧数据中有而新数据中没有的记录

3.2 记录集连接

可以对两个步骤中的数据流进行左连接，右连接，内连接，外连接，进行记录集连接之前，需要对记录集的数据进行排序，排序字段需要是关联字段，否则数据会错乱出现null 值。

对 user 表和 user2 表进行内连接操作如下：

运行后查看结果：

四、统计算子

统计算子可以提供数据的采样和统计功能。

4.1 分组

类似于GROUP BY，可以按照指定的一个或者几个字段进行分组，然后其余字段可以按照聚合函数进行合并计算。注意，在进行分组之前，最好先进行排序。

下面对 user 表根据 type 分组后取 age 的最大、最小、平均、数量 ：

运行后查看结果：

五、脚本算子

脚本算子可以通过程序代码完成一些复杂的操作。

5.1 执行SQL脚本

可以执行一段SQL语句，参数可以取数据流的数据：

运行后查看结果：

5.2 正则表达式

使用正则表达式实现复杂的匹配。

先根据文章开始的脚本恢复下数据。

例如匹配 name 中带有 明 或 三 的：

运行后查看结果：

5.3 javascript 代码

可以使用 javaScript 脚本对数据进行处理：

例如对age进行计算，并增加当前时间列：

var age1 = age * id + 100var date = new Date()

运行后查看结果：

5.4 Java 代码

和上面 javaScript 脚本类似，可以使用 Java 进行数据的操控，java 脚本主程序入口是processRow(）函数：

public boolean processRow(StepMetaInterface smi, StepDataInterface sdi) throws KettleException {//获取行数据Object[] r = getRow();if (r == null) {setOutputDone();return false;}// 修改 nameString name = get(Fields.In, "name").getString(r);name = name + "123";get(Fields.Out, "name").setValue(r, name);// 增加一列Long age = get(Fields.In, "age").getLong(r);Long id = get(Fields.In, "id").getLong(r);Long age1 = age * id + 100;get(Fields.Out, "age1").setValue(r, age1);r = createOutputRow(r, data.outputRowMeta.size());//将处理后的数据重新放回行数据中putRow(data.outputRowMeta, r);return true;}

运行后查看结果：

来源地址：https://blog.csdn.net/qq_43692950/article/details/130450076