Kettle性能调优汇总
jvm调优参数性能调优在整个⼯程中是⾮常重要的，也是⾮常有必要的。但有的时候我们往往都不知道如何对性能进⾏调优。其实性能调优主要分两个⽅⾯：⼀⽅⾯是硬件调优，⼀⽅⾯是软件调优。本章主要是介绍Kettle的性能优化及效率提升。
⼀、Kettle调优
1、调整JVM⼤⼩进⾏性能优化，修改Kettle定时任务中的Kitchen或Pan或Spoon脚本。
修改脚本代码⽚段
set OPT=-Xmx512m -cp %CLASSPATH%  -Djava.library.path=libswt\win32\ -DKETTLE_HOME="%KETTLE_HOME%"  -
DKETTLE_REPOSITORY="%KETTLE_REPOSITORY%"  -DKETTLE_USER="%KETTLE_USER%"  -
DKETTLE_PASSWORD="%KETTLE_PASSWORD%"  -DKETTLE_PLUGIN_PACKAGES="%KETTLE_PLUGIN_PACKAGES%"  -DKETTLE_LOG_SIZE_LIMIT="%KETTLE_LOG_SIZE_LIMIT%"
参数参考：
-Xmx1024m：设置JVM最⼤可⽤内存为1024M。
-Xms512m：设置JVM促使内存为512m。此值可以设置与-Xmx相同，以避免每次垃圾回收完成后JVM重新分配内存。
-Xmn2g：设置年轻代⼤⼩为2G。整个JVM内存⼤⼩=年轻代⼤⼩ + 年⽼代⼤⼩ + 持久代⼤⼩。持久代⼀般固定⼤⼩为64m，所以增⼤年轻代后，将会减⼩年⽼代⼤⼩。此值对系统性能影响较⼤，Sun官⽅推荐配置为整个堆的3/8。
-Xss128k：设置每个线程的堆栈⼤⼩。JDK5.0以后每个线程堆栈⼤⼩为1M，以前每个线程堆栈⼤⼩为256K。更具应⽤的线程所需内存⼤⼩进⾏调整。在相同物理内存下，减⼩这个值能⽣成更多的线程。但是操作系统对⼀个进程内的线程数还是有限制的，不能⽆限⽣成，经验值在3000~5000左右。
样例：OPT=-Xmx1024m -Xms512m
2、调整提交（Commit）记录数⼤⼩进⾏优化
如修改RotKang_Test01中的“表输出”组件中的“提交记录数量”参数进⾏优化，Kettle默认Commit数量为：1000，可以根据数据量⼤⼩来设置Commitsize：1000~50000。
3、调整记录集合⾥的记录数
4、尽量使⽤数据库连接池；
5、尽量提⾼批处理的commit size；
6、尽量使⽤缓存，缓存尽量⼤⼀些（主要是⽂本⽂件和数据流）；
7、Kettle是Java做的，尽量⽤⼤⼀点的内存参数启动Kettle；
8、可以使⽤sql来做的⼀些操作尽量⽤sql；
Group , merge , stream lookup,split field这些操作都是⽐较慢的，想办法避免他们.，能⽤sql就⽤sql；
9、插⼊⼤量数据的时候尽量把索引删掉；
10、尽量避免使⽤update , delete操作，尤其是update，如果可以把update变成先delete,  后insert；
11、能使⽤truncate table的时候，就不要使⽤deleteall row这种类似sql合理的分区，如果删除操作是基于某⼀个分区的，就不要使⽤delete row这种⽅式（不管是deletesql还是delete步骤），直接把分区drop掉，再重新创建；
12、尽量缩⼩输⼊的数据集的⼤⼩（增量更新也是为了这个⽬的）；
13、尽量使⽤数据库原⽣的⽅式装载⽂本⽂件(Oracle的sqlloader, mysql的bulk loader步骤)；
14、尽量不要⽤kettle的calculate计算步骤，能⽤数据库本⾝的sql就⽤sql ，不能⽤sql就尽量想办法⽤procedure，实在不⾏才是calculate步骤；
15、要知道你的性能瓶颈在哪，可能有时候你使⽤了不恰当的⽅式，导致整个操作都变慢，观察kettle log⽣成的⽅式来了解你的ETL操作最慢的地⽅；
16、远程数据库⽤⽂件+FTP的⽅式来传数据，⽂件要压缩。（只要不是局域⽹都可以认为是远程连接）。
⼆、索引的正确使⽤
在ETL过程中的索引需要遵循以下使⽤原则：
1、当插⼊的数据为数据表中的记录数量10%以上时，⾸先需要删除该表的索引来提⾼数据的插⼊效率，当数据全部插⼊后再建⽴索引。
2、避免在索引列上使⽤函数或计算，在where⼦句中，如果索引列是函数的⼀部分，优化器将不使⽤索引⽽使⽤全表扫描。
3、避免在索引列上使⽤ NOT和 “!=”，索引只能告诉什么存在于表中，⽽不能告诉什么不存在于表中，当数据库遇到NOT和 “!=”时，就会停⽌使⽤索引转⽽执⾏全表扫描。
4、索引列上⽤ >=替代 >
⾼效：select * from temp where deptno>=4
低效：select * from temp where deptno>3
两者的区别在于，前者DBMS将直接跳到第⼀个DEPT等于4的记录⽽后者将⾸先定位到DEPTNO=3的记录并且向前扫描到第⼀个DEPT ⼤于3的记录。
三、数据抽取的SQL优化
1、Where⼦句中的连接顺序。
2、删除全表是⽤TRUNCATE替代DELETE。
3、尽量多使⽤COMMIT。
4、⽤EXISTS替代IN。
5、⽤NOT EXISTS替代NOT IN。
6、优化GROUP BY。
7、有条件的使⽤UNION-ALL替换UNION。
8、分离表和索引。