Palestra Pentaho Data Integration (Kettle) Integração e Migração de Dados com ETL Open Source mnistrada no SOLISC 2013 por Marcio Junior Vieira

1. Pentaho Data Integration (Kettle)
Integração e Migração de Dados com ETL
Open Source
Marcio Junior Vieira
marcio@ambientelivre.com.br

2. MARCIO JUNIOR VIEIRA
● CEO da Ambiente Livre Tecnologia.
● Desenvolvedor de Software ,Trabalha com Software Livre
desde 2000.
● Formado em Tecnologia em Informática(UFPR), Pós-Graduado
em Software Livre(UFPR).
● Palestrante em congressos relacionados a Software Livre:
FISL, CONISLI, SOLISC, LATINOWARE, FLISOL, SFD, Joomla
Day,Pentaho Day.
● Especialista em implantação e customização de Pentaho CE,
Alfresco, LimeSurvey, Joomla, SugarCRM e dotProject.
● Ativista FOSS e Moderador da Lista PentahoBR

3. Software Livre as 4 Leis
(GPL)
● "Software livre" se refere à liberdade dos usuários executarem,
copiarem, distribuírem, estudarem, modificarem e aperfeiçoarem o
software. São 4 tipos de liberdade, para os usuários do software:
● 1. A liberdade de executar o programa, para qualquer propósito.
● 2. A liberdade de estudar como o programa funciona, e adaptá-lo
para as suas necessidades. Acesso ao código-fonte é um
pré-requisito para esta liberdade.
● 3. A liberdade de redistribuir cópias de modo que você possa ajudar
ao seu próximo.
● 4. A liberdade de aperfeiçoar o programa, e liberar
os seus aperfeiçoamentos, de modo que toda a
comunidade se beneficie.

4. ETL ou ETC
● Extração, Transformação e Carga (Extract,
Transform, Load – ETL).
● Extração de dados dos sistemas de origem
● Transformação : Seleção, Tradução de
Valores Codificados (Ex. 1 p/ sexo masculino)
, Cálculos , Junção , Transposição.
● Carga: Armazenagem no DW ( Dados
Históricos )

5. ETL/ETC

6. Desafios ETL
● Gama de valores e qualidade de dados
● Escalabilidade
● Volume de dados

7. Processamento Paralelo
● Dados: Divisão de um único arquivo
sequencial em arquivos de dados menores.
● Pipeline: Permitindo a execução simultânea
de diversos componentes no mesmo fluxo de
dados.
● Componente: Execução simultânea de
múltiplos processos em diferentes fluxos de
dados no mesmo job..

8. ETL X HardCore
● Desenvolver e Manutenção uma rotina de
carga em uma ferramenta de ETL é muito
mais fácil e rápido que codificá-la.
● Desempenho: As ferramentas de ETL
utilizam métodos mais performáticos.
● Execução em paralelo: Ferramentas de ETL
possuem recursos de paralelização nativos e
facilmente implementáveis.

9. ETL X HardCore
●
Escalabilidade: Ferramentas de ETL podem ser transferidas de
servidor mais facilmente e até eventualmente distribuir sua carga
entre vários servidores.
●
Diversidade de conectores: A conexão de uma ferramenta de
ETL com múltiplas fontes de dados é transparente.
●
Reusabilidade:Uma carga normalmente pode ser reaproveitada
dentro de outras cargas ou sobre a forma de um template
●
Documentação, Maior garantia da qualidade dos dados,
Auditoria & Tracking, Segurança

10. Ferramentas de ETL
Proprietárias
● Oracle Warehouse Builder (OWB)
● IBM Information Server (Data Stage)
● Integration Services (SSIS)
● Power Center (antigo Power Mart)
Open Source
● Talend
● Pentaho Data Integration ( Kettle )
●

11. ETL no Processo de BI

12. Kettle Project
Pentaho Data Integration (PDI, ou Kettle) é
um componente da suíte do Pentaho
responsável pelos processos de ETL.
●

13. Hacker
● Matt Casters
Chief Architect, Pentaho Data Integration
Kettle Project Founder
● Atualmente Trabalha na Pentaho Corporation.

14. Pentaho Suite

15. Kettle
● Apesar de ferramentas de ETL serem usadas em projetos
de data warehouse, PDI pode também ser usado para:
● Migração de dados entre aplicações/banco de dados
● Exportar dados de banco de dados para arquivos texto
● Carregar massivamente dados em banco de dados
● Data Cleansing – disciplina de qualidade/limpeza de dados
de data warehouse
● Integração de aplicações.

16. Aplicações
● Spoon - ferramenta gráfica com que se desenha e testa
todo processo do PDI
● Pan - Programa que pode executar transformações
desenhadas no Spoon e que estejam tanto em arquivos
como em repositórios em banco de dados.
● Kitchen -ferramenta usada para executar Jobs a partir de
janelas de terminais.
● Carter – Suporte a configuração de SOA.

18. Transformação
● Rotina com coleção de passos
interligados
● O primeiro á a fonte de dados
● O último representa a saída de
dados.
● Pode ser colocadas varias
fontes de dados e saídas
● É recomendado 1 transformação
para cada dimensão ou tabela
fato

19. Steps
● Um passo é uma unidade mínima dentro de
uma transformação.
● Grande variedade de passos
● Agrupada em categorias
( input , Output, etc)
● Os tipos básicos são :
entrada, transformação, saída

20. Hops
● Representação gráfica do fluxo de dados
entre dois passos (conexão)
● Um deles Origem e outro Destino.

21. Jobs
● É uma rotina de execução
● Pode executar uma ou mais transformações
● Utilizado para cargas de tabelas fatos

22. Na Prática...

23. Cluster
● Suporte a clusterização e processamento
distribuído.
●

24. Agendamento
● O Kettle tem agente de Agendamento
● Pode ser usado o agendador do SO. ( cron )
● Ou usado em conjunto ( kettle + SO )

25. Arquivos
● Estruturados como XML
● *.KTR – Transformation
● *.KJB - Jobs

26. Big Data

27. Orquestrando Big Data

28. Data Mining
● Tem steps ( plugins ) para geração de
arquivos para Mineração de dados ( Weka )
●

29. Marketplace
● Possibilidade de Instalar novos Plugins
● Novas Funcionalidades
● Integrado ao ambiente ( Kettle ).

30. Bibliografia
● Kettle Project
http://kettle.pentaho.com/
● Pentaho Big Data
http://www.pentahobigdata.com
● Gustavo Maia
http://gustavomaiaaguiar.wordpress.com/2010/05/10/por-que-utilizar-uma-ferramenta-de-etl/
● Step Documentation
http://wiki.pentaho.com/display/EAI/Pentaho+Data+Integration+Steps
●

31. Contato
● Blog
blogs.ambientelivre.com.br/marcio/
● Listas Pentaho:
● Pentaho BR, Pentaho Brasil , Pentaho
Fortaleza.
Marcio Junior Vieira
e-mail: marcio -@- ambientelivre.com.br