使用Kettle实现从DB至ElasticSearch的数据迁移
Kettle 是一款基于Java开发的开源（Apache许可）的ETL工具，因其友好的许可、可视化的设计器、可扩展的插件机制，而被广泛使用
Elasticsearch是一款基于Apache Lucene 开发的开源（混合型许可Apache许可+ Elastic License）的搜索服务+存储引擎，对文本型大数据量的搜索的亮眼性能而被广泛使用
使用版本：
ElasticSearch 6.6.2+xpack 6.6.2(定制版)
Kettle 8.3.0.1 + Elasticsearch bulk insert (版本适配)
DB：mysql 5.6+
为什么选择Kettle
-
可视：代码不仅仅只是是用来执行的，还必须考虑可维护性，看着一坨一坨的代码，即使跑的很正常、注释写的再好，也不一定有人耐下心看，Kettle插件的天生模块化，把关注点进行了很好的分离
-
统一：所有人、所有实现是一致的，便于知识沉淀、便于知识的流淌
功能实现
实现效果
① 创建ES Mapping【可选】
Tips:使用手工创建Mapping，能够更好的兼容实际的数据、定制分词引擎或通过指定Keyword等来降低不必要的索引存储，Elasticsearch bulk insert 可以根据index名称进行检测，如果指定的名称不存在，则会创建Index
put http://es-ip:9200/zqcust-ges-party-test
{
"settings": {
"index": {
"number_of_shards": "5",
"number_of_replicas": "1"
}
},
"mappings": {
"doc": {
"properties": {
"RegistCapi": {
"type": "text"
},
"Status": {
"type": "keyword", "null_value": "NULL"
},
"BelongOrg": {
"type": "text"
},
"CreditCode": {
"type": "text"
},
"No": {
"type": "text"
},
"OperName": {
"type": "text"
},
"Address": {
"type": "text"
},
"EconKind": {
"type": "text"
},
"RegistCapiUnit": {
"type": "text"
},
"Province": {
"type": "text"
},
"TermStart": {
"type": "date"
},
"StartDate": {
"type": "date"
},
"TeamEnd": {
"type": "date"
},
"Scope": {
"type": "text","analyzer": "ik_max_word"
},
"company_name": {
"type": "text"
},
"PhoneNumber": {
"type": "text"
},
"CheckDate": {
"type": "date"
},
"ProvinceCode": {
"type": "text"
}
}
}
}
}
② 源数据获取
文档使用“Table input”通过JDBC从数据库获取源数据(Kettle支持几乎能想到的所有数据源类型)
需加载的数据表：
读-加载数据
来条数据预览：
数据预览
③ 字段类型处理
通过设置字段类型可以减少因类型转换而导致的异常
字段类型
④ Elasticsearch bulk insert配置
配置index相关信息，如果指定的index不存在，则会新建：
Index配置
字段映射：
字段映射
配置ES服务信息：
配置ES服务
配置cluster.name:
服务名称配置
使用证书验证的配置：
使用证书验证
性能调整
JDBC性能参数
fetchSize 参数调整，参数效用参考附录
读-性能参数
对于大批量的数据读，使用fetchSize、defaultRowPrefetch 会带来比较好的性能，关于参数详细说明，可参考附录内容。
ES批量插入参数
使用Kettle本身的线程配置机制，右键修改插件运行线程数：
多线程配置
运行
直接在Spoon中运行
在Spoon的GUI窗口直接执行，一般在开发阶段
图像窗口运行
命令行执行
在Linux上将命令存为.sh文件，并设置文件可执行：
/soft/data-integration-8.3.0.1/pan.sh -file="/soft/kettle_run_file/zq-ges-party-oracle-to-es.ktr" -level=Minimal >> /soft/kettle_run_file/run_to_es.log
在windows将命令存亡.cmd文件，执行文件：
C:\data-integration-8.3.0.1\data-integration\Pan.bat /file:C:\kettle_App\zq-ges-party-oracle-to-es.ktr >> C:\kettle_App\log.txt
使用Pentaho Server执行
将Transformations（转换）发布到Pentaho Server上执行
其他事项
依赖包放到Kettle的classpath下
将依赖的数据库驱动放置 ${Kettle_home}/lib目录下，重启Kettle加载
Kettle本地版本编译
从github下载源码进行本地编译，注意 Maven的远程仓库一定要参考官方的 setting.xml进行配置：
官方提供地址：https://raw.githubusercontent.com/pentaho/maven-parent-poms/master/maven-support-files/settings.xml
<?xml version="1.0" encoding="UTF-8"?>
<settings xmlns="http://maven.apache.org/SETTINGS/1.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/SETTINGS/1.0.0 http://maven.apache.org/xsd/settings-1.0.0.xsd">
<!--本地仓库地址-->
<localRepository>D:\dev_tools\maven-repository</localRepository>
<!-- This is the recommended settings.xml for development of Hitachi Vantara projects. -->
<!--
If your wish to mirror everything through pentaho-public's repo uncomment bellow. Not recommended for external developers.
-->
<!--
<mirrors>
<mirror>
<id>pentaho-public</id>
<url>http://nexus.pentaho.org/content/groups/omni</url>
<mirrorOf>*</mirrorOf>
</mirror>
</mirrors>
-->
<!--
You might want to tweak the 'updatePolicy' configuration to fit your need on having updated snapshots and releases. Our recommendation is to set it to 'never' and run maven with the '-U' flag when needed.
-->
<profiles>
<profile>
<id>pentaho</id>
<activation>
<activeByDefault>true</activeByDefault>
</activation>
<repositories>
<repository>
<id>pentaho-public</id>
<name>Pentaho Public</name>
<url>http://nexus.pentaho.org/content/groups/omni</url>
<releases>
<enabled>true</enabled>
<updatePolicy>always</updatePolicy>
</releases>
<snapshots>
<enabled>true</enabled>
<updatePolicy>always</updatePolicy>
</snapshots>
</repository>
</repositories>
<pluginRepositories>
<pluginRepository>
<id>pentaho-public</id>
<name>Pentaho Public</name>
<url>http://nexus.pentaho.org/content/groups/omni</url>
<releases>
<enabled>true</enabled>
<updatePolicy>always</updatePolicy>
</releases>
<snapshots>
<enabled>true</enabled>
<updatePolicy>always</updatePolicy>
</snapshots>
</pluginRepository>
</pluginRepositories>
</profile>
</profiles>
<!-- this lets you call plugins from these groups in their short form -->
<pluginGroups>
<pluginGroup>org.pentaho.maven.plugins</pluginGroup>
<pluginGroup>com.pentaho.maven.plugins</pluginGroup>
<pluginGroup>com.github.spotbugs</pluginGroup>
</pluginGroups>
</settings>
执行构建：
mvn clean install -DskipTests
插件依赖的ES版本调整
因Kettle默认版本所使用的ES客户端版本为 6.6.2并不支持xpack-transport的连接，需要对依赖库进行添加：
<dependency>
<groupId>org.elasticsearch.client</groupId>
<artifactId>x-pack-transport</artifactId>
<version>6.6.2</version>
</dependency>
<dependency>
<groupId>org.elasticsearch.plugin</groupId>
<artifactId>x-pack-core</artifactId>
<version>6.6.2</version>
</dependency>
<dependency>
<groupId>com.unboundid</groupId>
<artifactId>unboundid-ldapsdk</artifactId>
<version>4.0.8</version>
</dependency>
将原代码中使用的TransportClient进行替换：
ElasticSearchBulk.java的481行：
//PreBuiltTransportClient tClient = new PreBuiltTransportClient( settingsBuilder.build() );
PreBuiltXPackTransportClient tClient = new PreBuiltXPackTransportClient( settingsBuilder.build() );
ElasticSearchBulkDialog.java的907行:
try ( PreBuiltXPackTransportClient client = new PreBuiltXPackTransportClient( settingsBuilder.build() ) ){
……
}
注意：不同版本的插件有可能会有差异，当前使用的是8.3.0.1源码；
插件的远程调试
首先配置启动参数，使用远程调试，将参数添加到 spoon.sh或spoon.bat中：
"-Xdebug" "-Xnoagent" "-Djava.compiler=NONE" "-Xrunjdwp:transport=dt_socket,server=y,suspend=n,address=8080"
在Eclipse中配置远程调试：
远程调试
打上断点，可以进行代码调试了
附录：
JDBC fetchsize 参数说明：https://blog.csdn.net/bisal/article/details/82735614
JDBC fetchsize 对比：http://makejavafaster.blogspot.com/2015/06/jdbc-fetch-size-performance.html
Kettle插件开发说明：https://help.pentaho.com/Documentation/8.2/Developer_Center/PDI/Extend
阿里巴巴 数据迁移中间件： https://github.com/alibaba/canal
