Propriétés du tPartition pour Apache Spark Batch

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

Le composant tPartition Spark Batch appartient à la famille Processus en cours.

Le composant de ce framework est disponible dans tous les produits Talend 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. Créez le schéma en cliquant sur le bouton Edit Schema. Si le schéma est en mode Repository, trois options sont disponibles : View schema : sélectionnez cette option afin de voir uniquement le schéma. Change to built-in property : sélectionnez cette option pour passer le schéma en mode Built-In et effectuer des modifications locales. Update repository connection : sélectionnez cette option afin de modifier le schéma stocké dans le référentiel et décider de propager ou non les modifications à tous les Jobs. Si vous souhaitez propager les modifications uniquement au Job courant, cliquez sur No et sélectionnez à nouveau la métadonnée du schéma dans la fenêtre Repository Content. Cliquez sur Sync columns pour récupérer le schéma du composant précédent dans le Job.
Number of partitions	Définissez en combien de partitions vous souhaitez diviser le jeu de données d'entrée.
Repartition by range	Cochez cette case pour scinder le jeu de données en plusieurs partitions. Pour plus d'informations, consultez la documentation Spark officielle (uniquement en anglais) (en anglais). Cette option est uniquement disponible en mode Dataset. Note InformationsRemarque : Le composant tPartition supporte Spark Dataset API uniquement lorsque : Le Job est utilisé à partir de SparkV2. La case Use Dataset API de la vue Spark configuration de votre Job est cochée. Le Job n'utilise ni partitioner personnalisé ni comparateur personnalisé.
Use coalesce	Cochez cette case pour réduire le nombre de partitions retournées. Pour plus d'informations, consultez la documentation officielle Spark (uniquement en anglais). Cette option est uniquement disponible en mode Dataset. Note InformationsRemarque : Le composant tPartition supporte Spark Dataset API uniquement lorsque : Le Job est utilisé à partir de SparkV2. La case Use Dataset API de la vue Spark configuration de votre Job est cochée. Le Job n'utilise ni partitioner personnalisé ni comparateur personnalisé.
Clé de partition	Renseignez cette table pour définir la clé à utiliser pour le partitionnement. Dans la table Partition key, les colonnes du schéma sont automatiquement ajoutées dans la colonne Column. Dans la colonne Partition column, vous devez cocher les cases correspondant aux colonnes que vous devez utiliser en tant que clé du partitionnement. Le partitionnement traite les données en mode Hash, c'est-à-dire que les enregistrements répondant aux mêmes critères (la clé) sont répartis dans la même partition.
Use custom partitioner	Cochez cette case pour utiliser un partitionner Spark à importer de l'extérieur du Studio, par exemple, un partitionner développé par vos soins. par exemple, un partitionner développé par vos soins. Dans cette situation, vous devez fournir les informations suivantes : Custom partitioner FQCN : saisissez le nom de classe entièrement qualifié du partitionner à importer. Custom partitioner Jar : cliquez sur le bouton [+] autant de fois que nécessaire pour ajouter le même nombre de lignes. Dans chaque ligne, cliquez sur le bouton [...] pour importer le fichier .jar contenant la classe du partitionner et ses fichiers .jar dépendants.
Sort within partitions	Cochez cette case pour trier les enregistrements au sein de chaque partition. Cette fonctionnalité est utile lorsqu'une partition contient différentes valeurs clés distinctes. Natural key order : les clés sont triées dans leur ordre naturel, par exemple dans l'ordre alphabétique. Custom comparator : cela permet d'utiliser un programme personnalisé pour trier les clés. Vous devez saisir le nom de classe entièrement qualifié du comparateur utilisé à importer dans le champ Custom comparator FQCN et ajouter les fichiers .jar à charger dans la table Custom comparator Jar.

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. 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.

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.

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.

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