Kettle (1) - 读取 CSV 文件

Kettle 是一款采用纯 Java 实现的开源 ETL工 具，属于开源商务智能软件 Pentaho 的一个重要组成部分。项目在 SourceForge 上的地址为：https://sourceforge.net/projects/pentaho/?source=directory。鉴于 SourceForge 在国内不能下载，需要下载请移步到镜像网站。软件本身是免安装的，解压即可用，当然操作系统要安装和配置好 Java 环境。

Kettle PDI (Penhato Data Integration) 支持用拖拉的方式，实现复杂的 ETL 逻辑。本系列计划介绍 Kettle PDI 的主要功能，力求简明易懂。使用的 Kettle PDI 版本是 PDI 7.1，在 Windows 10 下运行。

Penhato Spoon

Penhato PDI 包含不少的工具箱，首先需要了解的是 Spoon，Spoon 是 Kettle 的图形化界面，在 Penhato 的安装目录下可以看到有一个叫 Spoon.bat 的文件（Linux 下是 Spoon.sh），双击这个就可以启动我们的kettle程序。

Kettle 主要的工具有两个：

• 转换 (Transformation)： 负责数据的输入、转换、校验和输出等工作。Kettle 中使用转换（transformation）完成数据 ETL 全部工作。转换由多个步骤 (step) 组成，如文本文件输入，过滤输出行，执行 SQL 脚本等。各个步骤使用跳 (hop) 来链接。 跳定义了一个数据流通道，即数据由一个步骤流 (跳) 向下一个步骤。在 Kettle 中数据的最小单位是行（row），数据流中流动其实是缓存的行集 (RowSet) 。

• 作业 (Job)，负责定义一个完成整个工作流的控制，比如将转换的结果发送邮件给相关人员。因为转换（transformation）以并行方式执行，所以必须存在一个串行的调度工具来执行转换，这就是 Kettle中的作业。

读取 CSV 文件

假设我们的目的是读取 CSV 文件，在 Excel 中输出。当然，这种简单操作完全不需要 Kettle，Excel 直接就可以打开并转换。练习的目的是从易到难，逐步掌握 Kettle 的用法。

CSV 文件是一种常见的文本文件，一般含有表头和行项目。大多数数据处理型软件都含有对 CSV 格式的支持。进入 Spoon 的主界面，通过菜单 [文件] - [新建] - [转换] 新建一个转换。

在左边的核心对象中，找到输入文件夹下面的CSV文件输入，将其拖到右边的工作区。双击CSV文件输入图标，通过浏览按钮找到 想要读取的 CSV 文件：

点击对话框中的 “获取字段” 按钮，自动获得 CSV 文件各列的表头。之所以可以这样，是因为 “包含列头行” 默认选中。点击 “预览” 按钮可以预览数据。如果是中文，注意文件的编码。

在左边导航区的 “输出” 文件夹下，将 “Excel输出” 步骤拖放到右边的工作区。选中步骤 “CSV文件输入”，通过 shift+鼠标拖动，连接两个步骤，此时界面如下：

双击 “Excel输出”，设置文件名和扩展名：

切换到 “字段” 页签，点击 “获取字段” 按钮，获取需要输出的字段，可以删除不想要的字段，然后点击 “确定” 按钮：

运行之前保存，转换被保存为扩展名为 ktr 的文件，这个文件是 xml 格式的文本文件，可以用 spoon 打开。然后点击 “运行”，即可以将 CSV 文件转换成 Excel 文件。

多个文件输入

在导航区 “核心对象” 中，找到 “输入” 文件夹下 “获取文件名”，拖到工作区。设置如下：

点击 “预览记录” 按钮，查看包含的文件，两个文件都被读取到。filename 是在下一步要使用的文件路径，属于输出的变量。

将 “获取文件名” 步骤连接至 “CSV文件输入” 步骤。此时，“CSV文件输入” 步骤的界面中，文件名字段为数据来源于前一步骤，选择 filename。其他相同。

运行，可以把两个 CSV 文件中的数据加载并输出到 Excel 文件中。输入的文件格式，比如文本文件、Excel 文件大体类似。

参考

• Kettle下载
• Kettle源码
• Kettle初识