Aula 02-Tutorial ETL com PDI

Jarley Nóbrega – jpn@cin.ufpe.br

Agenda
Manipulação de dados no PDI
Controlando o fluxo de dados
Transformações no rowset
Tratamento de erros e validação de dados

ManipulaçãobásicadedadosnoPDI
 Conjunto de steps para transformação
 Categoria Transform
 Criação de novos campos
 Uso de expressões
 Adição de constantes
 Cálculo de valores
 Conversão de formatos
 Correspondência de valores
Janeiro de 2010IN1177 - Banco de Dados para Suporte à Decisão

StepsdeManipulaçãodedados
Step Descrição
Calculator Cria novos campos através de
cálculos no stream.
Split fields Divide um campo em dois ou
mais através de um separador.
Add constants Adiciona uma ou mais
constantes ao stream.
Replace in string Substitui todas as ocorrências
em uma string por um texto.
Number range Cria um novo campo baseado
em uma faixa de valores
numéricos
Value Mapper Cria uma correspondência entre
valores de um campo

Dúvidas sobre o funcionamento
de um tipo específico de step?
http://wiki.pentaho.com/display/EAI/Pentaho+Data+Integration+v3.2.+Steps

Exercícios11,12e13
 Manipulando um conjunto de dados com
os steps de transformação
 Criando grupos de linhas a partir de uma
transformação

 Filtrando informações
 Como descartar linhas de dados sob certas
condições?
 Step Filter rows (categoria Flow)

 Step Filter rows (categoria Flow)
 Checa a condição para cada rowset
 Apenas as linhas cuja condição são true serão
enviadas no hop para o próximo step.
 Possibilidade de fazer if-then-else

 Exemplo de condição

Exercício14
 Filtrando linhas de um dataset

Controlandoofluxodedados
Até agora...  Fluxo simples de dados
 Uma única direção
 Na maioria das vezes
 Divisão de stream

Como o PDI trata o fluxo
de dados?
Cópia do Fluxo
• O dataset inteiro é
copiado para os steps
subsequentes
Distribuição do Fluxo
• O dataset é distribuído
em partes iguais e
enviado para os steps
subsequentes

 Como copiar ou distribuir um dataset a
partir de uma condição?
 1ª opção: usar o Filter rows
 Problema: “if’s” aninhados
 2ª opção: usar o step Switch/Case

Stepsdecontroledofluxodedados
Se você precisa... Poderá usar...
Adicionar (append) um dataset em
outro, sem importar a ordem.
qualquer step.
Adicionar (append) um dataset,
usando uma ordem específica.
o step Append streams, da categoria
Flow.
Fazer um merge com dois ou mais
datasets, ordenados por um campo.
o step Sorted merge, da categoria Joins.
Fazer um merge com dois datasets,
eliminando linhas duplicadas
o step Merge rows (diff), da categoria
Joins.

Exercícios15,16e17
 Copiando e distribuindo um dataset
 Usando condições para copiar e distribuir
um dataset

TransformaçõesnoRowset
 Algumas transformações que podem ser
feitas em cima de todo um rowset:
 Converter linhas em colunas;
 Converter colunas em linhas;
 Operações em conjuntos de linhas;

Convertendolinhasemcolunas
 Na maioria dos datasets cada linha pertence a
um elemento diferente
 Em alguns casos, uma única linha não
descreve completamente o elemento

Solução do PDI: step Row
denormalizer
 Converte linhas em
colunas
 Exemplo:
 Dataset final deverá ter
uma única linha por
filme

denormalizer

denormalizer
 Regra geral para novos
campos:
 Se o valor para a chave
de um campo for igual a
“A”, coloque o valor do
campo “B” em um novo
campo “C”.

Outra aplicação do step
Row denormalizer
 Agregação de dados
 A partir de um dataset
de entrada, gerar na
saída um novo dataset
com dados consolidados
ou agregados.
 Semelhança com
ferramentas de cross tab
(ex.: Pivot no Excel)

Stepsdeconversãoemrowsets
Step Descrição
Group By Cria agregações em grupos de linhas usando Sum,
Maximum, etc.
Univariate statistics Computa estatísticas básicas em grupos de linhas
Split fields Divide um campo em dois ou mais campos
Row normalizer Transforma colunas em linhas
Row flattener Faz um nivelamento nas linhas consecutivas
Sort rows Ordena linhas através de uma chave
Split fields to rows Divide um campo de string e cria uma nova linha para
cada termo da divisão
Unique rows Remove linhas duplicadas no dataset (precisa de
ordenação prévia)

Exercício18
 Fazendo conversões no rowset

TratamentodeErros
 Até agora...
 Erros encontrados nas transformações
 Janela de Logging
 Tratamento de erros no PDI
 Opção Define Error handling (disponíveis em alguns
steps)
 Opção Error handling (disponível na edição dos
steps)

TratamentodeErros

TratamentodeErros-Configurações
Campo do Step Descrição
Nr of errors fieldname Nome do campo que irá armazenar
o número de erros
Error fields fieldname Nome do campo que registrará os
campos onde ocorreram os erros
Error codes fieldname Nome do campo que contém o
código do erro
Error descriptions fieldname Nome do campo que contém a
descrição do erro

TratamentodeErros
Como tratar?  Detectando o erro e
enviando as linhas com
problemas para outro
stream.
 Quando a quantidade de
erros é grande? Quando os
erros são críticos?
 Opção: usar o step Abort, da
categoria Flow

TratamentodeErros
Como personalizar um
arquivo de log no PDI?
 Step Write to log, categoria
Utility

Validaçãodedados
Boas práticas no
desenvolvimento
das atividades de
ETL
Validar os dados
antes de iniciar o
processamento
Prevenir a
transformação de
abortar o
processamento
Checar se os
dados seguem os
requisitos e regras
de negócio

Validaçãodedados
Categoria de steps
Validation
 Step DataValidator
 Validação de tipos de
dados
 Validação do conteúdo
dos dados

Validaçãodedados–stepDataValidator
Validação desejada Bloco de opções Data
Permitir (apenas) valores nulos Null allowed? / Only null values
allowed?
Tamanho de um campo está dentro de
uma faixa de valores
Max string length / Min string length
Valor de um campo está dentro de uma
faixa de valores
Maximum value / Minimum value
Campo selecionado atende a um padrão Only numeric data expected, Expected
start string, Expected end string,
Regular expression expected to match
Campo selecionado não atende a um
padrão
Not allowed start string, Not allowed
end string, Regular expression not
allowed to match
Campo selecionado é um dos valores
permitidos em uma lista
Allowed values, Read allowed values
from another step?

Exercício19
 Validando o conteúdo dos dados

ResumodaSemana2
 Steps de transformação
 Filtragem de dados
 Cópia e distribuição do stream
 Transformações no rowset
 Tratamento de erros
 Validação do tipo e conteúdo dos dados

Bibliografia
Site do PDI: http://kettle.pentaho.com/

Aula 02-Tutorial ETL com PDI

Recomendados

Recomendados

Mais conteúdo relacionado

Mais procurados

Mais procurados (16)

Semelhante a Aula 02-Tutorial ETL com PDI

Semelhante a Aula 02-Tutorial ETL com PDI (20)

Aula 02-Tutorial ETL com PDI