• 自制Informatica教程


    Informatica是最常用的ETL工具之一,与之类似的工具还有DataStage和kettle;

          由于个人只用过Informatica,所以只讨论Informatica。此软件分为客户端和服务器端连部分,由于我的服务器端连带系统拷贝过来的,所以安装从略。我从使用的角度出发介绍如下:

    一、      由于informatica的元数据(账号、密码…)信息保存在Oracle上面,所以我们先来检查下Oracle的运行情况:

    1. su – oracle先用oracle用户登录到主机,密码是ripple

    lsnrctl start监测Oracle的运行

     

    图1.1

    OK,现在Oracle正常运行着。

    1. 登录oracle数据库,sqlplus "/as sysdba"

     

    Exit退出oracle数据库:

     

    退出oracle主机用户:

     

    切换到bin目录

     

    查找启动informatica脚本:

     

    启动该脚本:

     

    由此可以看到我们的服务器启动了

    二、      打开Informatica客户端

     

    1.0

    配置连接

    备注:一定要修改windows主机的hosts,地址C:WindowsSystem32driversetc

    添加 : 192.168.68.128  infa到文件中,infa就是到时候连接配置的域名,而192.168.68.128就是informatica服务器主机的ip地址。

    如图1.1

     

    图1.1

    然后我们在cmd里面ping下域名,看看能否解析(ping infa):

     

    图1.2

    从ping出来的结果可以看到infa作域名解析的解析到的ip地址是192.168.68.128,是,(什么!?你不知道为什么ip地址是192.168.68.128),就是我们主机的地址啊

    在主机上面执行/sbin/ifconfig

    结果如下图:

     

    图1.3

    现在可以配置连接了

    1.3

    其中:

    1.Gateway Host就是我们刚才修改那个C:WindowsSystem32driversetc里面的

     

    图1.2

    2.Gateway port必须为6001;

    3.Domain Name可以随便取;

    三、模块介绍:

    Informatica总的来说由4大模块组成:

    Repository Manager--资料库,Designer--设计器,Workflow Manager--物理设计,Workflow Monitor--监控;

    1. Repository Manager--资料库,就是保护我们所有设计、实施整个过程的一个类似于宏定义的东西,可以理解为类似informatica的知识存储。

     

    1. Designer 设计器,就是单数据流的逻辑过程,打个比方就是某人要怎么样从广州到开平,(方式一是:从广州南站,坐轻轨到新会,再坐野鸡车,到开平市区,再坐个摩托车回家;方式二是:先坐地铁到芳村客运站,然后乘坐大巴回家;。。。)

     

    1. Workflow Manager--物理设计,即具体的落地实施,比如说是我从广州公司所在地回到我家里。里面保护很多任务设计:task(session/....) workflow(task...)

     

    1. Workflow Monitor--监控

     

    Informatica的控制台:

    https://192.168.68.128:8443/adminconsole/Console.do

     

    用户名:Administrator;密码:Administrator

     借鉴url:http://www.cnblogs.com/super-d2/p/3297642.html

  • 相关阅读:
    cmd设置代理
    移动端坐标定位tap
    T02-Django基本应用结构
    支持向量机算法的Sklearn完整复现
    T01-何为Django,入门"Hello World"
    决策树算法的Sklearn完整复现
    逻辑回归算法的Sklearn完整复现
    线性回归算法Sklearn完整复现
    K-近邻算法的Sklearn完整复现
    数据分析中的'疑难杂症'小结(三)
  • 原文地址:https://www.cnblogs.com/zhaofei/p/3479790.html
Copyright © 2020-2023  润新知