Kettle 错误整理

启动kettle报错 org.eclipse.swt.SWTError: No more handles [gtk_init_check() failed] [grid@slave3 data-integration]$ ./spoon.sh ####################################################################### WARNING: no libwebkitgtk-1.0 detected, some features will be unavailable Conside... 阅读详情


参考-1:https://blog.youkuaiyun.com/m0_37886429/article/details/83824321
参考-2:https://blog.youkuaiyun.com/weixin_45115705/article/details/100553983

错误整理

Could not load SWT library. Reasons

错误内容

[root@cdh1 data-integration]# sh spoon.sh 
#######################################################################
WARNING:  no libwebkitgtk-1.0 detected, some features will be unavailable
    Consider installing the package with apt-get or yum.
    e.g. 'sudo apt-get install libwebkitgtk-1.0-0'
#######################################################################
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=256m; support was removed in 8.0
log4j:WARN Continuable parsing error 45 and column 76
log4j:WARN Element type "rollingPolicy" must be declared.
log4j:WARN Continuable parsing error 52 and column 14
log4j:WARN The content of element type "appender" must match "(errorHandler?,param*,layout?,filter*,appender-ref*)".
log4j:WARN Please set a rolling policy for the RollingFileAppender named 'pdi-execution-appender'
java.lang.UnsatisfiedLinkError: Could not load SWT library. Reasons: 
	no swt-pi-gtk-4335 in java.library.path
	no swt-pi-gtk in java.library.path
	Can't load library: /root/.swt/lib/linux/x86_64/libswt-pi-gtk-4335.so
	Can't load library: /root/.swt/lib/linux/x86_64/libswt-pi-gtk.so
	/root/.swt/lib/linux/x86_64/libswt-pi-gtk-4335.so: libgtk-x11-2.0.so.0: 无法打开共享对象文件: 没有那个文件或目录
	at org.eclipse.swt.internal.Library.loadLibrary(Unknown Source)
	at org.eclipse.swt.internal.Library.loadLibrary(Unknown Source)
	at org.eclipse.swt.internal.gtk.OS.<clinit>(Unknown Source)
	at org.eclipse.swt.internal.Converter.wcsToMbcs(Unknown Source)
	at org.eclipse.swt.internal.Converter.wcsToMbcs(Unknown Source)
	at org.eclipse.swt.widgets.Display.<clinit>(Unknown Source)
	at org.pentaho.di.ui.spoon.Spoon.main(Spoon.java:664)
	at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
	at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
	at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
	at java.lang.reflect.Method.invoke(Method.java:498)
	at org.pentaho.commons.launcher.Launcher.main(Launcher.java:92)

解决方案

yum install -y gtk2.i686 gtk2-engines.i686 PackageKit-gtk-module.i686 PackageKit-gtk-module.x86_64 libcanberra-gtk2.x86_64 libcanberra-gtk2.i686

No more handles [gtk_init_check()

错误原因

​ 缺少图形化界面造成的。

错误内容

[root@cdh1 data-integration]# sh spoon.sh 
#######################################################################
WARNING:  no libwebkitgtk-1.0 detected, some features will be unavailable
    Consider installing the package with apt-get or yum.
    e.g. 'sudo apt-get install libwebkitgtk-1.0-0'
#######################################################################
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=256m; support was removed in 8.0
log4j:WARN Continuable parsing error 45 and column 76
log4j:WARN Element type "rollingPolicy" must be declared.
log4j:WARN Continuable parsing error 52 and column 14
log4j:WARN The content of element type "appender" must match "(errorHandler?,param*,layout?,filter*,appender-ref*)".
log4j:WARN Please set a rolling policy for the RollingFileAppender named 'pdi-execution-appender'
org.eclipse.swt.SWTError: No more handles [gtk_init_check() failed]
	at org.eclipse.swt.SWT.error(Unknown Source)
	at org.eclipse.swt.widgets.Display.createDisplay(Unknown Source)
	at org.eclipse.swt.widgets.Display.create(Unknown Source)
	at org.eclipse.swt.graphics.Device.<init>(Unknown Source)
	at org.eclipse.swt.widgets.Display.<init>(Unknown Source)
	at org.eclipse.swt.widgets.Display.<init>(Unknown Source)
	at org.pentaho.di.ui.spoon.Spoon.main(Spoon.java:664)
	at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
	at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
	at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
	at java.lang.reflect.Method.invoke(Method.java:498)
	at org.pentaho.commons.launcher.Launcher.main(Launcher.java:92)

解决方案:

当安装完成后使用新的 ssh 窗口运行 spoon.sh 脚本。

yum groupinstall -y "X Window System"
yum groupinstall -y "GNOME Desktop"

RocketMQ启动报错解决:Using the DefNew young collector with the CMS collector is deprecated and will likely 阅读详情

相关推荐

Kettle连接数据源汇总

错误连接数据库 在使用kettle的过程中 需要使用配置源 不同的数据库也就需要配置不同的 那么无论是在服务器端还是在宿主机都是同样的道理 小编在这里整理分别是MYSQL Oracle SQL Server配置数据源连接Kettle的驱动 MYSQL 链接:https://pan.baidu.com/s/17L_N2ufOzV1I1hWEfbKrRg 提取码:efo2 --来自百度网盘超级会员V1的分享 Oracle 链接:https://pan.baidu.com/s/1......

老王玩编程 4852

JAVA学习篇--------使用idea新建、导入、部署、调试spring MVC项目

一、环境介绍 idea版本: IntelliJ IDEA 2019.3.3 x64 jdk版本:如果不知道自己装了什么版本,可以使用cmd窗口输入 java -version 命令就可以看到对应的版本号 java version "1.8.0_121" Java(TM) SE Runtime...

夏的博客 6069

Kettle快速入门

Kettle作为ETL工具,用于数据的抽取、转换、加载,为数据的整理提供数据采集、 转换、导入、导出等功能。 Kettle中两种脚本 transformation——完成针对数据的基本转换 job——完成整个工作流的控制 Kettle中的组件 spoon——图形用户界面,用于运行kettle中的脚本transformation和job。 pan——数据转换引擎...

gkr_123的博客 1222

hotspot 控制参数

  文档来源于 http://www.oracle.com/technetwork/java/javase/tech/vmoptions-jsp-140102.html     This document provides information on typical command-line options and environment variables that can af...

benx 498

KETTLE日志记录、任务巡检、邮件发送

本文详细介绍了KETTLE日志记录的配置与优化方法,包括日志表设计、异常数据捕获、邮件告警系统搭建及任务巡检自动化。通过实战案例和技巧分享,帮助用户提升数据处理任务的监控效率和问题排查能力,特别适合需要管理大量定时任务的企业用户。

weixin_30296995的博客 308

centos安装kettle运行kitchen.sh时报no libwebkitgtk,安装libwebkitgtk需要的依赖rpm包

centos安装kettle,运行kitchen.sh时报WARNING: no libwebkitgtk-1.0 detected, some features will be unavailable,整理了安装libwebkitgtk相关的依赖包共44个rpm,基本比较全了,因各操作系统环境不同,如还有缺少的包可以从http://www.rpmfind.net/搜索下载。

kettle安装_KETTLE 安装、部署、常见问题

今天在家安装kettle的时候,遇到了几个问题,点击spoon一直无法运行,通过不懈努力,终于在吃饭之前搞定,哈哈,开心,现将KETTLE 安装过程中出现的问题在这里大致整理下:1、关于KETTLE 安装的版本问题:可以选择最新版本的,随自己喜好,下载网址如下:https://sourceforge.net/projects/pentaho/files/Data%20Integratio...

weixin_39862871的博客 711

Cursor+Playwright MCP实战:如何用自然语言一键生成UI自动化测试脚本

本文探讨了如何利用Cursor与Playwright MCP实现自然语言驱动的UI自动化测试脚本生成。通过智能IDE与浏览器自动化协议的结合,开发者可以高效创建稳定的测试脚本,显著提升测试效率与维护性。重点介绍了MCP架构的优势、项目结构最佳实践及团队协作规范,为自动化测试带来革命性改进。

k8l9m0n的博客 440

【Kettle】kettle连接MySQL数据库连接不上解决方案汇总

近期项目上经常用到ETL(数据抽取转换加载),就想到了之前用过的kettle工具,下班回家想着再玩玩这个工具吧,结果在连接MySQL时,遇到了各种问题,就顺手整理记录一下。所以今天晚上的主题是:在使用kettle ETL工具创建MySql DB连接时,由于MySQL驱动的版本原因,连接MySQL后,一直测试不通过,如下为具体解决方案如上是通过kettle连接MySQL时遇到的各种情况,如有错漏请大伙儿及时指出哈。

web18285482512的博客 3284

GD32单片机引脚复用指南:如何让JTAG接口的PA15/PB3发挥第二功能?

本文详细介绍了GD32F103Cx系列单片机如何通过AFIO模块进行引脚复用,特别是将默认用于JTAG调试接口的PA15、PB3等引脚释放为普通IO或复用功能引脚。文章从原理出发,结合代码实践,讲解了如何配置调试端口重映射,将JTAG引脚安全地转换为GPIO或定时器通道,并提供了常见问题排查与最佳实践,帮助开发者高效利用有限的引脚资源。

nept的博客 806

Reality Capture控制点修复/合并模型

通过增加控制点/修改对齐设置参数来修复模型被分为两个部分的解决方法

草履虫建模的博客 5239

使用kettle进行数据迁移

文章目录一、kettle下载与运行1. 下载地址2. 运行二、使用“复制多表向导”进行整表复制1. 新建一个“转换”2. 设置DB连接3. 使用“复制多表向导”4. 执行三、有字段映射的单表迁移1. 新建一个“转换”2. 设置DB连接3. 使用“复制单表向导”4. 修改一些设置5. 执行四、设置作业定时调度1. 双击作业start节点,设置定时调度2. 点击运行,选择`Start job at =...

WWF_HelloWorld 4555

Cadence Virtuoso实战:3分钟搞定反相器参数化设计(附CDF配置避坑指南)

本文详细介绍了如何在Cadence Virtuoso中利用CDF参数传递功能实现反相器的参数化设计,包括PMOS和NMOS的基础搭建、CDF配置技巧及常见报错解决方案。通过实战案例和避坑指南,帮助工程师快速掌握高效设计方法,提升集成电路设计效率。

weixin_28292761的博客 334

kettle调用oracle存储过程,kettle 调用存储过程

这里整理一下有关kettle调用存储过程的问题刚开机,就看到昨天写的存储过程在kettle的Job定时调用里没有执行成功,很是不理解!就是简单的更新两个表的字段,注意这里我定义了一个输出参数MESSAGE(用于捕获过程中的错误和提示过程运行情况)。我开始怀疑自己写的过程脚本是不是有不对的地方(虽然编译通过了),使用sqlerrm参数,输出过程错误,果然发现了一个ORA错误。通过修改,保证了过程的正...

weixin_35869628的博客 2131

缠中说禅交易指南

战胜市场,其实就是战胜自己的贪婪、恐惧、愚蠢,缠中说禅技术分析理论只是把市场拔光给各位看,而拔光一个人并不意味着就等于征服一个人,对于市场,其道理是一样的。不干,不可能征服市场。对于市场来说,干就是一切。技术分析的最终意义不是去预测市场要干什么,而是分析市场正在干什么,是一种当下的直观。在市场上所有的错误都是离开了这当下的直观,用想象、用情绪来代替。 市场是有规律的,但市场的规律并不是显而易见的,是需要严格的分析才能得到。更重要的是,市场的规律是一种动态的,在不同级别合力作用下显示出来的规律,企图用些单纯的

baidu_25764509的博客 2万+

解决LangChain4j报错HTTP/1.1 header parser received no bytes

当使用调用自己部署的大模型服务时报错: 报错信息如下:

weixin_44455388的博客 2334

Kettle7.1 创建数据库资源库方法整理

Kettle7.1 创建数据库资源库级常见错误解决方案

香辣绵羊卷的博客 3万+

TensorFlow2深度学习实战(十四):目标检测算法 YOLOv4 解析

最易上手的【计算机视觉】小白教程!

不积跬步,无以至千里! 7631

kettle的mysql驱动应该放哪里_MySQL数据库之kettle 安装mysql 驱动

本文主要向大家介绍了MySQL数据库之kettle 安装mysql 驱动 ,通过具体的内容向大家展现,希望对大家学习MySQL数据库有所帮助。错误连接数据库[mysql]:org.pentaho.di.core.exception.KettleDatabaseException:ErroroccurredwhiletryingtoconnecttothedatabaseDr...

weixin_35902168的博客 2962

AI:270-基于ASFF改进YOLOv8检测头的多尺度特征融合方法详解与实战

ASFF是一种基于自适应特征融合的策略,能够动态调整不同尺度特征的融合权重,适应场景中不同大小的目标。传统的YOLOv8检测头使用固定的特征融合策略,而ASFF则通过引入学习参数,使得网络能够根据输入图像的特征自适应地选择不同尺度特征的重要性。这一策略对于检测小目标或尺度变化大的目标具有显著优势。本文提出了一种改进YOLOv8检测头的新方法,通过引入自适应空间特征融合模块(ASFF),有效提升了多尺度目标检测的性能,特别是在小目标检测任务中的表现。

一键难忘的博客 3910

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

搭建kettle 源码工程报[ui/spoon.xul]找不到错误的解决方案

在使用kettle操作国产达梦数据库时日志模块出现了问题,因此根据网上教程搭建起了kettle源码工程方便调试,但启动工程时报了kettle org.pentaho.ui.xul.XulException: Can not locate Xul document [ui/spoon.xul]这个错误,在网上查找一番无果后只能扒源码,发现org.pentaho.di.ui.spoon...

hamster204的专栏 1731

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

windows下安装kettle7.1

因为公司需求,最近需要用数据迁移和转换,目前用etl的比较多,现在选择了工具Kettle。 一:Kettle安装前JDK环境配置 由于Kettle是Java语言开发的,该软件的允许需要Java运行环境的依赖。需要先安装JDK,准备好Java软件的运行环境。安装jdk1.8版本 新版本 官网下载:http://www.oracle.com/technetwork/java/javase/downloads/jdk10-downloads-4416644.html 点击打开链接 ...

hzp666的博客 1358

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

KETTLE零基础入门:10分钟完成第一个ETL作业

上可以直接体验各种数据项目,包括ETL流程的演示,不用安装就能看到实际效果,对理解概念很有帮助。整个学习过程比预想的顺利,KETTLE的图形化界面确实对新手友好。作为新手,我觉得最重要的是先动手做起来。KETTLE的学习曲线其实很平缓,完成第一个小项目后,后续的进阶学习会顺利很多。作为完全没接触过的新手,我记录下自己的学习过程,希望能帮到同样想快速上手的朋友。A:创建作业,使用"START"和"转换"组件配合定时器。A:不需要,但处理数据时需要连接数据库。A:可以,有专门的Excel输入组件。

IndigoNight21的博客 802

kettle-linux环境下部署kettle,执行kitchen.sh文件报错后安装 libwebkitgtk,提示没有可用软件包libwebkitgtk。

提示:本环境为centos7.2mini.建议在纯净环境上部署,不然会提示某些依赖包已安装过或者版本过高的问题。 需要的包已经整理出来了 执行./kitchen.sh 报错信息: [root@lx01 data-integration]# ./kitchen.sh #############################################################...

2377
上一篇: Idea 中出现:运行 Test 时出错。命令行过长。 通过 JAR 清单或通过类路径文件缩短命令行,然后重新运行。
下一篇: es7.6.2 Validation Failed: 1: type is missing;
Han_Lin_
博客等级 码龄11年 27粉丝 36原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Han_Lin_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值