利用Kettle进行数据同步（上）

写这篇文章，是源于公司内部的一个常见需求：将生产环境的数据同步到测试环境，以便进行测试和bug定位。

起初是用的Navicat Premium这款DB管理软件，功能非常强大了，足以满足开发人员的日常工作需求，也包括上述的数据同步需求。

随着公司业务日臻完善，对于数据的安全性提出了更为严格的要求。

实际上，是不允许将任何环境的数据同步至生产环境的，即是生产环境的数据是错误的。Navicat Premium有数据传输这一功能，能够将一个数据库传输并覆盖到另外一个数据库，没有任何限制。

此外，为了避免开发人员直接接触到生产数据库，笔者将高权限的账号都收回了，只授予其只读权限，保留了数据查看的能力。若是如此，那么数据同步的工作压力就指向了笔者。

为了寻求更为方便、稳定的方式去完成这个数据同步的工作，笔者把思路聚焦在了ETL工具上了。

如果仅仅是为了完成数据同步的功能需求，把ETL的概念拿出来未免显得有些班门弄斧了。考虑到以后还会有数据处理方面的需求，研究一款ETL工具势在必行（在写此篇文章的时候，就出现了一个导出Excel的功能需求）。

理论上，日常内部的ETL需求都可以通过“代码 + 脚本”的方式实现。但是，在笔者看来都是无意义的重复造轮子，耗时耗力，如果能掌握一款ETL工具，无疑能减轻不少的工作量。

当然，市面上的ETL工具也不在少数，国内外的企业都有成品，但是本着开源免费，强大好用的原则，最终就只剩下kettle了。

客户端填充两方数据库的设置信息，如：host、user、password、database等，这些设置信息都将以variable的形式存在于kettle中。

因为指定的database中可能有多张表，所以在kettle内部中，循环的执行获取数据，清空表，提交数据的流程。

当然，流程之间还是有些细节的，下面将讲解如何用kettle搭建数据库同步的工程。

此工程中的作业（Job）和转换（Transformation）有嵌套关系，本着“自顶向下的设计，自底向上的实现”的原则，我们先将几个子流程都配置好，再进行相关的串联。

新建一个转换，保存命名为“提交数据.ktr”。

准备两个数据库连接，主对象树->右键DB连接->新建。

可以看到，已经预留了DB相关的variable，使用$的形式。

特别说明：密码也是按照了这种形式填写，kettle也能识别这是一个variable。

因为其他作业和转换都用到了这两个DB连接，可以将其设置成共享。

新建Transformation，保存命名为“数据同步.ktr”。

T1：清空表。核心对象->脚本->执行SQL脚本。要清空的表名使用variable代替了，勾选“变量替换”的CheckBox。

T2：获取表数据。核心对象->输入->表输入。获取表里的全部数据，选择数据来源，表名使用variable代替了，勾选“替换SQL语句的替换”的CheckBox。

T3：提交数据。核心对象->输入->表输出。选择数据库连接，目标表使用variable代替，提交记录数量指的是一次commit的数据量，视实际的数据量情况而定，默认是1000条，并且建议勾选“使用批量插入”。

因为需要确保清空表的操作先完成，所以做了一步阻塞。也就是不完成了T1：清空表的步骤，就不会进行T3：提交数据的步骤。

核心对象->流程->阻塞数据直到步骤都完成。

再按住shift键，将各个步骤连接起来，提交数据的Transformation就完成了。

接下来是获取表名的Transformation：

新建Transformation，保存命名为“获取全量表名.ktr”。

T1：获取表名，核心对象->输入->获取表名，选择数据库连接，勾选“包含表”即可，名称字段可以自定义，这里设置的是table_name。

T2：选择字段，核心对象->转换->字段选择。主要是指定需要的字段，显然我们需要table_name字段，也可以自定义改名，这里改名成tablename。

T3：复制记录到结果，核心对象->作业->复制记录到结果。主要是作为下一个步骤的输入。

再按住shift键，将各个步骤连接起来，获取表名的Transformation就完成了。

接下来是一个中间的转换过程，就是取出表名，然后设置到指定的变量中，以便提交数据的时候获取$。

新建转换，保存命名为“获取变量.ktr”。

T1：获取表名变量值，核心对象->作业->从结果获取记录，指定要获取的字段名称是tablename，就是上述获取表名改名成的tablename。

T2：设置变量值，核心对象->作业->设置变量，设置TABLENAME变量，选择变量作用范围“Valid in the root job”。

至此，所有的Transformation都完成了，需要通过Job来连接Transformation了。

新建Job，保存命名为“获取变量-数据同步.kjb”，分别在核心对象中添加一个START，和两个转换，两个转换分别对应了上述已经准备好的“获取变量.ktr”和“数据同步.ktr”，连接起来即可。

接下来是最后一个Job，新建Job，保存命名为“entrypoint.kjb”。添加一个START，一个转换，一个作业和一个成功结束节点。

获取全量表名返回的结果是一个列表，所以“获取变量-数据同步”作业需要循环执行。在设置作业的时候，勾选“执行每一个输入行”。

至此，整个数据同步的工程已经搭建好了，即可运行entrypoint.kjb。在运行的时候，需要设置数据库的相关参数。

做到这一步，还是不够的，每次执行作业还需要输入这么多参数，还有可能会出现失误。

kettle的强大之处就是还提供了Java API，可以基于此，做更高层次的抽象，使操作成本进一步降低。

下篇将讲解如何实现一个基于kettle的数据同步系统，届时将会在GitHub上公开系统源码，敬请期待。