免费开源的基于 Java 的企业级 ETL 工具
ETL（Extract-Transform-Load 的缩写，即数据抽取、转换、装载的过程），对于企业或行业应用来说，我们经常会遇到各种数据的处理、转换、迁移，所以了解并掌握一种 ETL 工具的使用必不可少。
这里我介绍一个在工作中使用了 3 年左右的 ETL 工具 Kettle，本着好东西不独享的想法，跟大家分享碰撞交流一下！在使用中我感觉这个工具真的很强大，支持图形化的 GUI 设计界面，然后可以以工作流的形式流转，在做一些简单或复杂的数据抽取、质量检测、数据清洗、数据转换、数据过滤等方面有着比较稳定的表现。其中最主要的是，我们通过熟练地应用它，减少了非常多的研发工作量，提高了工作效率。
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 小五的个人杂货铺！
微信- 支付宝
相关推荐
2026-03-25
Job 和 Trans 的参数详解
pan 调用示例1sh pan.sh -rep=initech_pdi_repo -user=pgibbons -pass=lumburghsux -trans=TPS_reports_2011 -param:db_ip=$db_ip -param:db_name=$db_name 参数 参数说明 rep 企业或数据库存储库名称 user 仓库用户名 pass 仓库密码 trans 要启动的转换的名称（在存储库中显示） dir 包含转换的存储库目录，包括前导斜杠 file 如果调用的是本地 KTR 文件，则为文件名，如果不在本地目录中，则包括路径 level 日志级别（Basic, Detailed, Debug, Rowlevel, Error, Nothing） logfile 将日志输出写入的本地文件名 listdir 列出指定存储库中的目录 listtrans 列出指定存储库目录中的转换 listrep 列出可用的存储库 exprep 将所有存储库对象导出到一个 XML 文件 norep 防止 Pan 登录到存...
2026-03-25
Kettle 开发中需要注意的问题点
注意点 过滤记录或者字段选择等组件，无法出现上面步骤中的字段的时候，尝试在上面步骤中再次点击确定。 两个数据流 join 前必须先进行排序操作。 数据流从计算器或 join 操作流出，并将流入另一 join 操作之前，需要插入一个字段选择插件。 表输入插件中，填写查询语句时，语句末尾不能加分号。Kettle 8.2 以上无此问题 SQL 脚本插件中，填写 SQL 语句时，语句末尾必须加分号，否则不会执行。Kettle 8.2 以上无此问题 引用变量时，采用 ${变量名} 的方式引用，以免出现问题。此种引用方式还可以在变量内容后接其他字符串，例如：${key}_20151217 会被解析为：value_20151217。 Job 中执行多个 trans 时，如何确定 trans 执行的先后顺序？根据连接线的先后顺序执行，如果需要优先执行则先连接从开始到该 trans 的连线即可。 如果源数据中有空值，但是目标数据中不希望出现空值： 直接设置目标数据库各列的默认值为空字符串是不行的，因为只有不对某列赋值才会填入默认值，而 NUL...
2026-03-25
Kettle 记录集合里面的记录数说明
记录集合里面的记录数 该数量是指组件与组件之间通信的缓存队列的 size 大小，Kettle 内部用 List 实现该缓存队列，每一条语句都会被封装成一个 RowSet 对象，每个组件之间都会有个 List<RowSet> 队列，源 step 每次会往该队列写一条数据，目标 step 每次会从队列读取一条数据。 Kettle 里面转换是并行的，数据是一条一条流经每个组件，队列大小采用默认的 10000 条即可。 但是当使用到「阻塞数据直至步骤完成」、「阻塞数据」相关组件时，则需要根据业务数据量扩大该 size 的大小。 否则，数据会一直在某两个组件之间的缓存队列中存放，当数量达到一定大小时，就会卡住不动。 缓存队列的大小对作业没有影响，查看源码发现，缓存队列由 inputRowSet 和 outputRowset 组成，底层实现是 ArrayList，初始化创建的时候，默认容量为 10，并不会直接创建设定长度的数组。并且使用 ArrayList 的特性：当要添加的数据量超过数组的容量时候，ArrayList 会动态扩容，size 扩大 1.5 倍。