# Définir les paramètres de connexion standalone avec Spark Universal

## Pourquoi et quand exécuter cette tâche

Le Studio Talend se connecte à un cluster configuré pour Spark afin d'exécuter le Job depuis ce cluster.

## Procédure

1. Cliquez sur la vue Run sous l'espace de modélisation graphique, puis cliquez sur la vue Spark configuration.
2. Sélectionnez Built-in dans la liste déroulante Property type.

   Si vous avez déjà configuré les paramètres de connexion dans le Repository, comme expliqué dans [Centraliser une connexion à Hadoop](https://help.qlik.com/talend/fr-FR/studio-user-guide/8.0-R2026-09/Centraliser%20une%20connexion%20à%20Hadoop/talend/en-US/studio-user-guide/8.0/centralizing-hadoop-connection), vous pouvez réutiliser ces paramètres. Pour ce faire, sélectionnez Repository dans la liste Property type, cliquez sur le bouton [...] pour ouvrir la boîte de dialogue Repository Content et sélectionnez la connexion à Hadoop à utiliser.

   Note InformationsConseil : Setting up the connection in the Repository allows you to avoid configuring that connection each time you need it in the Spark configuration view of your Jobs. The fields are automatically filled.
3. Sélectionnez Universal dans la liste déroulante Distribution, la version Spark de votre choix dans la liste déroulante Version et Standalone dans la liste déroulante Runtime mode/environment (Mode/environnement du Runtime).
4. Saisissez les informations de configuration Standalone :
   | Paramètre | Utilisation |
   | --- | --- |
   | Standalone master | Renseignez le serveur du master sur lequel soumettre votre Job Spark. |
   | Configure executors | Cochez cette case pour spécifier la configuration des exécuteurs :<br><br><ul> <li> <span>Executors memory</span>&nbsp;: saisissez la taille de la mémoire à allouer à chaque exécuteur Spark.</li> <li> <span>Executors core</span>&nbsp;: saisissez le nombre de cœurs à utiliser par exécuteur.</li> </ul><br><br>Si vous laissez cette case décochée, les valeurs par défaut de Spark sont utilisées : 1g pour la mémoire des exécuteurs et 1 pour le cœur des exécuteurs. Pour plus d'informations, consultez la [documentation Spark officielle](https://spark.apache.org/docs/latest/configuration.html#available-properties) (uniquement en anglais) (en anglais). |
5. Saisissez les informations simples de configuration :
   | Paramètre | Utilisation |
   | --- | --- |
   | Parallelize output files writing (Paralléliser l'écriture des fichiers de sortie) | Cochez cette case pour permettre au Job Spark Batch d'exécuter plusieurs threads en parallèle lors de l'écriture de fichiers de sortie. Cette option améliore les performances du temps d'exécution.<br><br>Lorsque vous laissez cette case décochée, les fichiers de sortie sont écrits en séquence dans un seul thread.<br><br>Au niveau des sous-Jobs, chacun est traité en séquence. Seul le fichier de sortie contenu dans le sous-Job est parallélisé.<br><br>Cette option est disponible uniquement pour les Jobs Spark Batch contenant les composants de sortie suivants :<br><br><ul> <li>tAvroOutput</li> <li>tFileOutputDelimited (uniquement lorsque la case <span>Use dataset API in migrated components (Utiliser l'API Dataset dans les composants migrés)</span> est cochée)</li> <li>tFileOutputParquet</li> </ul><br><br>Note InformationsImportant : Pour éviter les problèmes de mémoire au cours de l'exécution du Job, vous devez prendre en compte la taille des fichiers en cours d'écriture et la capacité de l'environnement d’exécution utilisant ce paramètre. |

## Résultats

Les informations de connexion sont renseignées. Vous êtes prêt·e à ordonnancer les exécutions de votre Job Spark ou à l'exécuter immédiatement.