[人工智能]Kettle【付诸实践 03】水经微图kml类型文件分类解析入库难点细节说明（完整流程实例云资源分享:包含sql+kjb+ktr+测试文件）

资源连接：

链接：https://pan.baidu.com/s/18mbpnQBtwGiYISOwfkHwPw 
提取码：xv0w

包含文件：

1.需求说明

一个与行政区划边界数据相关的应用，行政区划数据从水经微图下载而来格式为kml，需要把这些数据导入到数据库 GreenPlum，并规范数据格式。源数据包含两类：

• _xx名称.txt（区域名称和中心点坐标）
• _xx边界.txt（区域名称和区域边界点坐标）

数据要转换成两类：

• 点 POINT(longitude,latitude)
• 多边形 POLYGON( POINT, POINT, POINT, ... )

2.流程实例

将kml后缀批量修改为xml的脚本：

# 在文件所在文件夹下创建 .txt 文件写入以下内容后修改文件后缀为 .bat
ren    *.kml   *.xml

2.1 获取数据并处理

中心点数据是很规范比较容易解析的，但是边界数据的存在多边界和单边界情况，此时的xml标签不一致，所以需要分开进行解析：

难点 1?? 标签路径不统一【必须分开进行解析】：

处理方法【将多边界数据以节点类型传递给下一个 xml文件输入组件】：

xml文件输入组件是可以接收流数据的，但是在提取成节点时会给节点添加标识 <MultiGeometry xmlns="http://www.opengis.net/kml/2.2"> 需要处理掉xmlns="http://www.opengis.net/kml/2.2"否则无法识别：

难点 2?? 数据格式不好，需要转换：

每行的数据是longitude,latitude,altitude 经度,纬度,海拔而最终需要的点格式为POINT(longitude,latitude)边界格式为POLYGON( POINT, POINT, POINT, ... )，思路是去掉换行然后对海拔数据,0进行替换，去掉换行用正则表达式：

替换海拔,0用SQL，以下SQL实现了边界数据字符串到多边形数据的格式转换：

POLYGON( '(' || TRIM ( TRAILING ',(' FROM REPLACE ( coordinates, ',0', '),(' ) ) )

2.2 数据入库中间表并转换数据格式

使用JOB可以控制SQL的执行顺序，由于用到了数据库的关联查询及数据结构转换所以创建了临时表：

所有使用到的SQL：

-- 存放边界数据
DROP TABLE IF EXISTS "public"."data_address_area";
CREATE TABLE "public"."data_address_area" (
  "name" varchar(255) COLLATE "pg_catalog"."default",
  "zone_name" varchar(255) COLLATE "pg_catalog"."default",
  "coordinates" varchar(102400) COLLATE "pg_catalog"."default"
);

-- 存放区域名称
DROP TABLE IF EXISTS "public"."data_address_point";
CREATE TABLE "public"."data_address_point" (
  "name" varchar(255) COLLATE "pg_catalog"."default",
  "zone_name" varchar(255) COLLATE "pg_catalog"."default",
  "coordinates" varchar(102400) COLLATE "pg_catalog"."default"
);

-- 存放格式化后的数据
DROP TABLE IF EXISTS "public"."data_address_geo";
CREATE TABLE "public"."data_address_geo" (
  "id" varchar(16) COLLATE "pg_catalog"."default",
  "pid" varchar(16) COLLATE "pg_catalog"."default",
  "deep" varchar(1) COLLATE "pg_catalog"."default",
  "name" varchar(64) COLLATE "pg_catalog"."default",
  "ext_path" varchar(32) COLLATE "pg_catalog"."default",
  "geo" point,
  "polygon" polygon
);

-- 执行数据合并
INSERT INTO data_address_geo SELECT
pid.pid || ROW_NUMBER ( ) OVER ( ORDER BY point.NAME DESC ) AS "id",
pid.pid AS "pid",
'3' AS "deep",
point.NAME AS "name",
pid.ext_path || ' ' || point.NAME AS "ext_path",
point.point,
polygon.polygon 
FROM
	( SELECT NAME, zone_name, POINT( REPLACE ( coordinates, ',0', '' ) ) FROM data_address_point ) point,
	( SELECT NAME, POLYGON( '(' || TRIM ( TRAILING ',(' FROM REPLACE ( coordinates, ',0', '),(' ) ) ) FROM data_address_area ) polygon,
	( SELECT ID AS "pid", NAME, ext_path FROM data_administrative_divisions_geo ) pid 
WHERE
	point.NAME = polygon.NAME 
	AND point.zone_name = pid.NAME
	

-- 删除临时表
DROP TABLE "public"."data_address_area";
DROP TABLE "public"."data_address_point";

3.结果数据

表字段pid、deep、ext_path是为了和之前的表进行合并形成树形结构，不需要的可以忽略：

4.技术总结

ETL 工具 Kettle 的功能是很强大的，读取数据、格式化数据、入库等等操作都是一般操作，有些复杂流程也可以拆分成多个简单流程，从而实现需求。这个实例就可以发现字符串替换操作用了很多次。