Accéder au contenu principal Passer au contenu complémentaire

Propriétés du tMatchIndexPredict pour Apache Spark Batch

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

Le composant tMatchIndexPredict Spark Batch appartient à la famille Qualité de données.

Le composant de ce framework est disponible dans tous les produits Talend Platform avec Big Data et dans Talend Data Fabric.

Basic settings

Define a storage configuration component

Sélectionnez le composant de configuration à utiliser pour fournir les informations de configuration pour la connexion au système de fichiers cible, comme HDFS.

Si vous laissez cette case décochée, le système de fichiers cible est le système local.

Le composant de configuration à utiliser doit se trouver dans le même Job. Par exemple, si vous avez ajouté un composant tHDFSConfiguration dans votre Job, vous pouvez le sélectionner pour écrire le résultat dans un système HDFS donné.

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.

Sélectionnez le type de schéma dans la liste Schema :
  • 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.

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.

Vous devez manuellement modifier le schéma de sortie afin d'ajouter les colonnes nécessaires qui contiendront les champs des données de référence.

Le schéma de sortie de ce composant comporte des colonnes en lecture seule :

LABEL : utilisée uniquement avec le lien de sortie Possible matches.

CONFIDENCE_SCORE: indique le score de confiance d'une prédiction pour une paire.

ElasticSearch configuration

Nodes : saisissez l'emplacement du cluster hébergeant le système Elasticsearch à utiliser.

Index : saisissez le nom de l'index ElasticSearch dans lequel les données de référence sont stockées.

Notez que les composants Talend supportent la version 6.4.x d'Elasticsearch pour les Jobs Spark Streaming et les versions 7.x et 8.x pour les Jobs Spark Batch.

Models

Pairing model folder : configurez le chemin d'accès au dossier contenant les fichiers de modèles générés par le tMatchPairing.

Matching model location : sélectionnez dans la liste l'emplacement du fichier modèle généré par le Job de classification à l'aide du composant tMatchModel :
  • from file system : dans le champ Matching model folder, configurez le chemin d'accès au dossier contenant les fichiers de modèles générés par le composant tMatchModel.
  • from current Job : dans la liste Model name, sélectionnez le nom du fichier modèle généré par le composant de classification. Vous pouvez utiliser cette option uniquement si le Job de classification contenant le composant tMatchModel est intégré au Job avec le composant tMatchIndexPredict.

Matching model folder : configurez le chemin d'accès au dossier contenant les fichiers de modèles générés par le tMatchModel.

No-match label : saisissez le libellé utilisé pour les enregistrements uniques dans la sortie.

Si vous souhaitez stocker le modèle dans un système de fichiers spécifique, par exemple S3 ou HDFS, vous devez utiliser le composant correspondant dans le Job et cocher la case Define a storage configuration component dans les propriétés simples du composant.

Le bouton pour parcourir votre système ne fonctionne pas en mode Local de Spark. Si vous utilisez les autres modes Yarn de Spark supportés par le Studio Talend avec votre distribution, assurez-vous d'avoir correctement configuré la connexion dans un composant de connexion dans le même Job. Utilisez le composant de configuration relatif au système de fichiers à utiliser.

Advanced settings

Maximum ElasticSearch bulk size

Nombre maximal d'enregistrements pour le traitement de masse.

Le tMatchIndexPredict utilise le mode bulk pour traiter les données, de façon à ce que de gros lots de données puissent être comparés rapidement aux données de références indexées dans ElasticSearch.

Il est recommandé de conserver la valeur par défaut. Si l'exécution du Job se termine par une erreur, réduisez la valeur définie pour ce paramètre.

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

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 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.

  • 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.

    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.