最近被抓壮丁去弄一个ETL的项目，要求用开源的kettle去替代原来平台上的datastage。
本文主要是记录下在使用kettle过程中碰到的头疼的问题和解决方案。。。

1. 利用 excel中的数据生成xml文件

kettle中的xml文件输出组件的功能其实是很弱的，所以要生成较为复杂的xml文件时需要使用组件：
add xml ,   xml join,   placeholder, js script 等等
如下是一个例子：

使用merge join主要是为了减少在xml join中需要匹配的结果集合（因为xml join中的匹配功能其实是很弱的）。
在merge join之前记录必须先排序。
placeholder 组件是往记录流中添加一个常量，这个常量在 add xml中通常不被设为属性，而是在xml join中用于放置需要被组装进去的xml元素。
以生成如下简单的xml文件为例：
<?xml version="1.0" encoding="UTF-8"?>
<document>
       <section name="foo">
       <p>
              Hello from section foo
       </p>
       </section>
       <section name="bar">
       <p>
               Hello from section bar
       </p>
       </section>
</document>
对应的kettle 转换为：


首先需要从excel文件中读取数据，excel文件中的内容为

利用读取到的内容生成xml元素，如下是add xml中的设置：



这一步主要生成了如下的xml元素：
<section name="foo">
       <p>
              Hello from section foo
       </p>
</section>
<section name="bar">
       <p>
               Hello from section bar
       </p>
   </section>
接下来要生成 <document>元素，因为该元素没有对应的数据，所以使用“生成记录”组件生成一条空记录用于与之前的xml元素进行xml join。它的功能有点类似与之前提到的placeholder，不同的是这个可以作为起始输入，而placeholder是一个转换步骤。

然后是利用这条生成的记录生成xml元素document，注意属性选否：




接着就是进行xml join了，source stream中的xml元素会被拼接到target stream的xml元素中。怎么拼接有join condition properties决定，它是使用xpath来定位要拼接的位置，例如//doc 就是把source stream的元素拼接到每个doc元素中。需要注意的是，由于这次xml join之后xml文件就生成好了，所以不能把omit xml header选上。

当然通过xpath也可以做复杂的条件join，如下是个例子：


可以通过xpath指定在所有target stream的area元素中如果area的属性STATIONID的值与source stream中STATIONID的值（这个值不一定要在source的xml元素中，但必须在source stream中，例如可以是一开始从excel读入的流中）相同，那么把source stream中的xml元素放到 orderlinecomments元素中。

这步之后生成的xml文件如下：
<?xml version="1.0" encoding="UTF-8"?>
<document>
  <doc>
       <section name="foo">
       <p>
              Hello from section foo
       </p>
       </section>
       <section name="bar">
       <p>
               Hello from section bar
       </p>
       </section>
  </doc>
</document>
和我们预期的多了<doc>和</doc>，这是我们使用js脚本进行替换：


js脚本处理好之后，输出流的名字就换成 xmlOderLinesNew了。
最后把这个流输出到文件中，需要注意的是在内容中不要使用“分割符”，“封闭符”，和“头部”：







--关于kettle生成xml文件的性能问题
各个步骤中addxml的效率不错，但是xmljoin在大数据量的情况下效率实在太低。。。，按照我的理解，kettle通过addxml生成一个xml内容的字符串，然后xmljoin其实是对两个大字符串进行重构，这个重构过程还涉及到字符子串的定位，拷贝，比较，甚至是字符串子串级别的join。。。效率很难能高，所以在数据量比较大的时候应该避免使用xmljoin。
其实我们使用xmljoin主要是为了生成层次化的xml文件。作为替代方案，首先在使用addxml生成xml字符串之前，先使用merge join把目标xml文件中所需的数据先生成出来，这个时候生成的xml字符串中的xml是几乎没有层次的：
例如
<?xml version="1.0" encoding="ISO-8859-1"?>
<Users>
<User id="2" name="ABC" Division="HR" country="C"/>
<User id="3" name="xyz" Division="Admin" country="D"/>
<User id="4" name="LMN" Division="Admin" country="D"/>
<User id="5" name="PQR" Division="HR" country="C"/>
</Users>
然后我们可以通过xslt进行xml文件结构的重构，xsl文件的示例如下：
<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">

       <xsl:output method="xml" indent="yes" />

       <xsl:key name="division" match="User" use="concat(@Division, ',', @country)" />

       <xsl:template match="Users">
               <AllUsers>
                       <xsl:apply-templates select="User[generate-id()=generate-id(key('division',concat(@Division, ',', @country))[1])]"/>
               </AllUsers>
       </xsl:template>

       <xsl:template match="User">
               <Division value="{@Division}" country="{@country}">
                       <xsl:for-each select="key('division', concat(@Division, ',', @country))">
                               <User id="{@id}" name="{@name}"/>
                       </xsl:for-each>
               </Division>
       </xsl:template>

</xsl:stylesheet>
生成的目标xml文件如下：
<?xml version="1.0" encoding="UTF-8"?>
<AllUsers>
<Division country="C" value="HR">
<User name="ABC" id="2"/>
<User name="PQR" id="5"/>
</Division>
<Division country="D" value="Admin">
<User name="xyz" id="3"/>
</Division>
<Division country="D" value="Payroll">
<User name="LMN" id="4"/>
</Division>
</AllUsers>

具体到kettle中我们可以使用xsl transformation组件来进行转换：

其中的xsl 转换：


理想的状态是我们直接使用转换中的XSL Transformation组件，在转换级别就解决问题，但事与愿违，这个步骤老是报错。。。
只好使用job级别的XSL Transformation组件，这样会比较麻烦，要先通过一个转换生成中间xml文件保存到磁盘，然后在调用XSL Transformation组件读取这个中间xml文件以及定义好的xsl文件生成目标xml文件。。


还有一种思路是不使用kettle的xsl transformation组件，而是直接在kettle的User Define Java Class组件中通过java代码调用xsl文件进行转换，java代码调用xsl文件和xml文件进行转换的代码可以参考：
http://www.blogjava.net/yangxiang/archive/2009/08/11/290688.html

关于xsl文件的编写可以参考
http://stackoverflow.com/questions/2146648/how-to-apply-group-by-on-xslt-elements