Propriétés du tKinesisInput pour Apache Spark Streaming

Ces propriétés sont utilisées pour configurer le tKinesisInput s'exécutant dans le framework de Jobs Spark Streaming.

Le composant tKinesisInput Spark Streaming appartient à la famille Messaging.

La version Streaming de ce composant est disponible dans Talend Real Time Big Data Platform et dans Talend Data Fabric.

Basic settings

Schema et Edit Schema	Un schéma est une description de lignes. Il définit le nombre de champs (colonnes) à traiter et à passer au composant suivant. Lorsque vous créez un Job Spark, évitez le mot réservé `line` lors du nommage des champs. Le schéma de ce composant est en lecture seule. Vous pouvez cliquer sur Edit schema afin de visualiser le schéma. Cette colonne payload en lecture seule est utilisée pour contenir le corps du message Kinesis à traiter. Le corps du message d'entrée peut utiliser de nombreux formats différents de données. Par exemple, si le format est JSON, vous devez utiliser le tExtractJSONField après le tKinesisInput pour extraire les données à traiter du corps.
Access key	Saisissez l'ID de la clé d'accès identifiant de manière unique un compte AWS. Pour plus d'informations concernant l'obtention de vos Access Key et Secret Key, consultez Obtention de vos clés d'accès AWS (uniquement en anglais).
Secret key	La Secret Access Key, combinée à la clé d'accès, constitue votre accès sécurisé à Amazon S3. Pour saisir le mot de passe, cliquez sur le bouton [...] à côté du champ Password, puis, dans la boîte de dialogue qui s'ouvre, saisissez le mot de passe entre guillemets doubles et cliquez sur OK afin de sauvegarder les paramètres.
Stream name	Saisissez le nom du flux Kinesis duquel vous souhaitez que le tKinesisInput fasse un Pull sur les données.
Endpoint URL	Saisissez l'endpoint du service Kinesis à utiliser, par exemple, https://kinesis.us-east-1.amazonaws.com. Vous pouvez trouver d'autres URL Kinesis valides à l'adresse http://docs.aws.amazon.com/general/latest/gr/rande.html#ak_region (uniquement en anglais) (en anglais).
Explicitly set authentication parameters	Cochez cette case pour utiliser le mécanisme d'authentification explicite pour vous connecter à Kinesis. Notez que ce mécanisme est supporté uniquement par les versions 1.4 de Spark et suivantes. Puisque ce mécanisme de sécurité nécessite que le paramètre AWS Region soit explicitement configuré, vous devez saisir la valeur de la région à utiliser dans le champ Region qui s'affiche. Par exemple, us-west-2. Il est recommandé d'utiliser l'authentification explicite pour une meilleure sécurité lorsque la version de Spark que vous utilisez supporte ce mécanisme. Une fois cette case cochée, l'identifiant et le mot de passe d'accès sont directement fournis par Kinesis. Si vous laissez cette case décochée, un ancien mécanisme d'authentification est utilisé. Ainsi, l'identifiant et le mot de passe sont utilisés par Spark comme variables de contexte pour la connexion à Kinesis.

Advanced settings

Checkpoint interval	Saisissez l'intervalle de temps (en millisecondes) à la fin duquel le tKinesisInput sauvegarde la position où s'est arrêtée la lecture dans le flux Kinesis. Les enregistrements de données dans un flux Kinesis sont groupés en partitions (shards, en termes Kinesis) et indexés avec des numéros de séquence. Un numéro de séquence identifie de manière unique la position d'un enregistrement. Pour plus d'informations concernant les termes utilisés par Amazon dans Kinesis, consultez https://docs.aws.amazon.com/fr_fr/streams/latest/dev/key-concepts.html (uniquement en anglais).
Initial position stream	Sélectionnez la position de départ pour la lecture des données du flux, lorsqu'il n'y a pas d'information relative au point de contrôle Kinesis. Start with the oldest data : commence du début du flux dans la limite de 24 heures. Start after the most recent data : commence à la position après les dernières données du flux.
Storage level	Sélectionnez comment recevoir les données à mettre en cache. Pour plus d'informations concernant les différents niveaux, consultez https://spark.apache.org/docs/latest/programming-guide.html#rdd-persistence (uniquement en anglais) (en anglais).

Checkpoint interval

Saisissez l'intervalle de temps (en millisecondes) à la fin duquel le tKinesisInput sauvegarde la position où s'est arrêtée la lecture dans le flux Kinesis.

Les enregistrements de données dans un flux Kinesis sont groupés en partitions (shards, en termes Kinesis) et indexés avec des numéros de séquence. Un numéro de séquence identifie de manière unique la position d'un enregistrement. Pour plus d'informations concernant les termes utilisés par Amazon dans Kinesis, consultez https://docs.aws.amazon.com/fr_fr/streams/latest/dev/key-concepts.html (uniquement en anglais).

Initial position stream

Sélectionnez la position de départ pour la lecture des données du flux, lorsqu'il n'y a pas d'information relative au point de contrôle Kinesis.

Start with the oldest data : commence du début du flux dans la limite de 24 heures.
Start after the most recent data : commence à la position après les dernières données du flux.

Storage level

Sélectionnez comment recevoir les données à mettre en cache. Pour plus d'informations concernant les différents niveaux, consultez https://spark.apache.org/docs/latest/programming-guide.html#rdd-persistence (uniquement en anglais) (en anglais).

Utilisation

Règle d'utilisation	Ce composant est utilisé en tant que composant de début et nécessite un lien de sortie. Lors de l'exécution, ce composant continue à écouter le flux et lit les nouveaux messages lorsqu'ils sont en mémoire tampon dans le flux. Ce composant, ainsi que les composants Spark Streaming de la Palette à laquelle il appartient, s'affichent uniquement lorsque vous créez un Job Spark Streaming. Notez que, dans cette documentation, sauf mention contraire, un scénario présente uniquement des Jobs Standard, c'est-à-dire des Jobs Talend traditionnels d'intégration de données.
Connexion à Spark	Dans l'onglet Spark Configuration de la vue Run, définissez la connexion à un cluster Spark donné pour le Job complet. De plus, puisque le Job attend ses fichiers .jar dépendants pour l'exécution, vous devez spécifier le répertoire du système de fichiers dans lequel ces fichiers .jar sont transférés afin que Spark puisse accéder à ces fichiers : Yarn mode (Yarn Client ou Yarn Cluster) : Lorsque vous utilisez Google Dataproc, spécifiez un bucket dans le champ Google Storage staging bucket de l'onglet Spark configuration. Lorsque vous utilisez HDInsight, spécifiez le blob à utiliser pour le déploiement du Job, dans la zone Windows Azure Storage configuration de l'onglet Spark configuration. Lorsque vous utilisez Altus, spécifiez le bucket S3 ou le stockage Azure Data Lake Storage (aperçu technique) pour le déploiement du Job, dans l'onglet Spark configuration. Lorsque vous utilisez Qubole, ajoutez tS3Configuration à votre Job pour écrire vos données métier dans le système S3 avec Qubole. Sans tS3Configuration, ces données métier sont écrites dans le système Qubole HDFS et détruites une fois que vous arrêtez votre cluster. Lorsque vous utilisez des distributions sur site (on-premises), utilisez le composant de configuration correspondant au système de fichiers utilisé par votre cluster. Généralement, ce système est HDFS et vous devez utiliser le tHDFSConfiguration (en anglais). Standalone mode : utilisez le composant de configuration correspondant au système de fichiers que votre cluster utilise, comme le tHDFSConfiguration Apache Spark Batch ou le tS3Configuration Apache Spark Batch (en anglais). Si vous utilisez Databricks sans composant de configuration dans votre Job, vos données métier sont écrites directement dans DBFS (Databricks Filesystem). Cette connexion fonctionne uniquement pour le Job dans lequel vous l'avez définie.
Limitation	Du fait d'une incompatibilité de licence, un ou plusieurs Jar requis pour utiliser ce composant ne sont pas fournis. Vous pouvez installer les Jar manquants pour ce composant en cliquant sur le bouton Install dans l'onglet Component. Vous pouvez également trouver les Jar manquants et les ajouter dans l'onglet Modules de la perspective Integration de votre Studio. Pour plus d'informations, consultez la page Installation de modules externes. Pour plus d'informations concernant l'installation de modules externes, consultez Talend Help Center (https://help.talend.com (uniquement en anglais)).

Règle d'utilisation

Ce composant est utilisé en tant que composant de début et nécessite un lien de sortie.

Lors de l'exécution, ce composant continue à écouter le flux et lit les nouveaux messages lorsqu'ils sont en mémoire tampon dans le flux.

Ce composant, ainsi que les composants Spark Streaming de la Palette à laquelle il appartient, s'affichent uniquement lorsque vous créez un Job Spark Streaming.

Notez que, dans cette documentation, sauf mention contraire, un scénario présente uniquement des Jobs Standard, c'est-à-dire des Jobs Talend traditionnels d'intégration de données.

Connexion à Spark

Dans l'onglet Spark Configuration de la vue Run, définissez la connexion à un cluster Spark donné pour le Job complet. De plus, puisque le Job attend ses fichiers .jar dépendants pour l'exécution, vous devez spécifier le répertoire du système de fichiers dans lequel ces fichiers .jar sont transférés afin que Spark puisse accéder à ces fichiers :

Yarn mode (Yarn Client ou Yarn Cluster) :
- Lorsque vous utilisez Google Dataproc, spécifiez un bucket dans le champ Google Storage staging bucket de l'onglet Spark configuration.
- Lorsque vous utilisez HDInsight, spécifiez le blob à utiliser pour le déploiement du Job, dans la zone Windows Azure Storage configuration de l'onglet Spark configuration.
- Lorsque vous utilisez Altus, spécifiez le bucket S3 ou le stockage Azure Data Lake Storage (aperçu technique) pour le déploiement du Job, dans l'onglet Spark configuration.
- Lorsque vous utilisez Qubole, ajoutez tS3Configuration à votre Job pour écrire vos données métier dans le système S3 avec Qubole. Sans tS3Configuration, ces données métier sont écrites dans le système Qubole HDFS et détruites une fois que vous arrêtez votre cluster.
- Lorsque vous utilisez des distributions sur site (on-premises), utilisez le composant de configuration correspondant au système de fichiers utilisé par votre cluster. Généralement, ce système est HDFS et vous devez utiliser le tHDFSConfiguration (en anglais).
Standalone mode : utilisez le composant de configuration correspondant au système de fichiers que votre cluster utilise, comme le tHDFSConfiguration Apache Spark Batch ou le tS3Configuration Apache Spark Batch (en anglais).

Si vous utilisez Databricks sans composant de configuration dans votre Job, vos données métier sont écrites directement dans DBFS (Databricks Filesystem).

Cette connexion fonctionne uniquement pour le Job dans lequel vous l'avez définie.

Limitation

Du fait d'une incompatibilité de licence, un ou plusieurs Jar requis pour utiliser ce composant ne sont pas fournis. Vous pouvez installer les Jar manquants pour ce composant en cliquant sur le bouton Install dans l'onglet Component. Vous pouvez également trouver les Jar manquants et les ajouter dans l'onglet Modules de la perspective Integration de votre Studio. Pour plus d'informations, consultez la page Installation de modules externes. Pour plus d'informations concernant l'installation de modules externes, consultez Talend Help Center (https://help.talend.com (uniquement en anglais)).

Cette page vous a-t-elle aidé ?

Si vous rencontrez des problèmes sur cette page ou dans son contenu – une faute de frappe, une étape manquante ou une erreur technique – faites-le-nous savoir.

Laissez vos commentaires ici