Propriétés du tNLPPreprocessing pour Apache Spark Batch
Ces propriétés sont utilisées pour configurer le tNLPPreprocessing s'exécutant dans le framework de Jobs Spark Batch.
Le composant tNLPPreprocessing Spark Batch appartient à la famille Traitement du langage naturel.
Le composant de ce framework est disponible dans tous les produits Talend Platform avec Big Data 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. Cliquez sur Sync columns pour récupérer le schéma du composant précédent dans le Job. Créez le schéma en cliquant sur le bouton Edit Schema. Si le schéma est en mode Repository, trois options sont disponibles :
Le schéma de sortie comporte une colonne en lecture seule : tokens: cette colonne contient les termes individuels pour chaque ligne des données d'entrée. |
|
Built-in : le schéma est créé et conservé localement pour ce composant seulement. |
|
Repository : le schéma existe déjà et est stocké dans le Repository. Ainsi, il peut être réutilisé dans des Jobs et projets. |
Bibliothèque NLP |
Dans cette liste, choisissez la bibliothèque à utiliser pour le prétraitement du texte, entre ScalaNLP et Stanford CoreNLP. |
Nettoyer toutes les balises HTML |
Cochez cette case pour supprimer toutes les balises HTML du texte d'entrée. |
Colonne à prétraiter |
Sélectionnez la colonne du schéma d'entrée qui contient le texte à diviser en termes individuels. |
Utilisation
Règle d'utilisation |
Ce composant est utilisé comme étape intermédiaire. Ce composant, ainsi que la Palette Spark Batch à laquelle il appartient, ne s'affiche que lorsque vous créez un Job Spark Batch. |
Connexion à Spark Batch |
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 :
Cette connexion fonctionne uniquement pour le Job dans lequel vous l'avez définie. |