Système de fichiers distribué Apache Hadoop (API Java HDFS) - Import

Spécifications du pont

Fournisseur	Apache
Nom de l'outil	Système de fichiers distribué Hadoop (HDFS)
Version de l'outil	Hadoop 2.x to 3.x
Site Web de l'outil	http://hadoop.apache.org/docs/r1.2.1/hdfs_user_guide.html
Méthodologie supportée	[Système de fichiers] Multimodèle, Data Store (NoSQL/Hiérarchique, Modèle de données physique) via l'API Java
Profiling de données
Collecte incrémentale
Collecte multi-modèle
Navigation dans le référentiel distant pour sélectionner un modèle

SPÉCIFICATIONS
Outil : Apache/Fichier Parquet version de Parquet 1.x via l'API Java sur un fichier Parquet
Consultez http://parquet.apache.org/
Métadonnées : [Système de fichiers] Data Store (NoSQL/Hiérarchique, Modèle de données physique)
Composant : Parquet version 11.2.0

AVERTISSEMENT
Ce pont d'import nécessite un accès à Internet pour télécharger les bibliothèques tierces :
- comme https://repo.maven.apache.org/maven2/ pour télécharger les bibliothèques open source tierces,
-et d'autres sites pour plus de logiciels tiers, comme des pilotes de bases de données spécifiques à JDBC.

Les bibliothèques tierces téléchargées sont stockées dans $HOME/data/download/MIMB/
- Si le protocole HTTPS échoue, le pont d'import essaye ensuite avec HTTP.
- Si un proxy est utilisé pour accéder à Internet, vous devez configurer ce proxy dans l'environnement JRE (voir l'option -j dans le paramètre Divers).
- Si le pont d'import n'a pas d'accès à Internet, le répertoire $HOME/data/download/MIMB/ peut être copié depuis un autre serveur qui a accès à Internet, où la commande $HOME/bin/MIMB.sh (ou .bat) -d peut être utilisée pour télécharger en une fois toutes les bibliothèques tierces utilisées par tous les ponts.

En exécutant ce pont d'import, vous reconnaissez être responsable des conditions d'utilisation et de toute autre faille de sécurité potentielle liées au téléchargement de ces bibliothèques logicielles tierces.

VUE D'ENSEMBLE
Ce pont d'import scanne un data lake implémenté sur le système de fichiers distribué Apache (Cloudera, Hortonworks...) Hadoop (HDFS) afin de détecter (par rétro-ingénierie) les métadonnées de tous les fichiers (à des fins de catalogage).
Cela comprend la découverte des métadonnées orientées échantillonnage de la structure des données (par ex. une table CSV, une hiérarchie JSON) et des types de données (par ex. Integer, Date, String).

Ce pont d'import utilise une bibliothèque Java Apache Hadoop HDFS (JAR) pour accéder au système de fichiers Hadoop.
Les fichiers JAR de la bibliothèque sont situés dans le répertoire /java/Hadoop.
Vous pouvez spécifier un répertoire de fichiers de configuration et souvent, cela suffit, comme les valeurs des autres paramètres du pont d'import peuvent être spécifiées ici.

FOIRE AUX QUESTIONS
Q : Le mode Haute Disponibilité pour le NameNode est-il supporté ?
R : Dans un environnement de haute disponibilité, vous devez toujours faire référence au nom de service logique (propriété de configuration fs.defaultFS dans core-site.xml) et non aux NameNodes.
La syntaxe pour le paramètre d'URL est : hdfs://<nameservice>/
Notez qu'aucun numéro de port n'est spécifié.
La haute disponibilité est disponible à partir de Hadoop 2.0.0 (plus de 7 ans).

FICHIERS SUPPORTÉS
Définition de données/Schéma/Formats de fichiers de métadonnées (pas de données) :
- Fichiers à largeur fixe, généralement du mainframe (voir les détails ci-dessous)
- Fichiers COBOL COPYBOOK, généralement du mainframe (voir les détails ci-dessous)
- W3C XML XSD (Définition de schéma XML)

Formats de fichiers de données texte (découverte des métadonnées orientées échantillonnage) :
- Fichiers délimités (plats) comme CSV (voir les détails ci-dessous)
- Fichiers XML Open Office Excel .XSLX (voir les détails ci-dessous)
- Fichiers W3C XML (non définis à partir de XML XSD)
- Fichiers JSON (JavaScript Object Notation) (voir les détails ci-dessous)

Formats de fichiers de données binaires (incluant une définition de schéma comme un en-tête ou un pied de page) :
- Apache Avro (voir les détails ci-dessous)
- Apache Parquet (voir les détails ci-dessous)
- Apache ORC (voir les détails ci-dessous)

ainsi que les versions compressées des formats ci-dessus :
- ZIP (en tant que format de compression, pas en tant que format archive)
- BZIP
- GZIP
- LZ4
- Snappy (en tant que format standard Snappy, pas en tant que format Snappy natif de Hadoop)

FICHIERS DÉLIMITÉS
Ce pont détecte (rétro-ingénierie) les métadonnées à partir d'un fichier de données de type Fichier délimité (appelé aussi Fichier plat).
La détection de ce Fichier délimité ne se base pas sur les extensions de fichier (comme .CVS, .PSV) mais sur l'échantillonnage du contenu du fichier.

Le pont a la capacité de détecter une ligne d'en-tête et de l'utiliser pour créer un nom de champ, sinon des noms de champs génériques sont créés.

Le pont crée un échantillon contenant jusqu'à 100 lignes pour détecter automatiquement les séparateurs de champs, incluant par défaut :
', (virgule)', '; (point-virgule)', ': (deux-points)', '\t (espace)', '| (barre verticale)', '0x1 (ctrl + A)', 'BS (\u0008)'
Il est possible d'ajouter d'autres séparateurs lors du processus de détection automatique (incluant les caractères doubles). Consultez le paramètre Miscellaneous (Divers).

Pendant l'échantillonnage, le pont détecte également les types de données de fichier, tels que DATE, NUMBER, STRING.

FICHIERS À LARGEUR FIXE
Ce pont crée des métadonnées pour les fichiers de données de type Fichier à largeur fixe.
De telles métadonnées ne peuvent pas être détectées automatiquement (rétro-ingénierie) par l'échantillonnage des fichiers de données (p. ex. customers.dat ou même simplement "customers" sans extension).
C'est pourquoi ce pont importe un fichier "Fixed Width File Definition" qui doit contenir l'extension de format de fichier .fixed_width_file_definition
(par exemple, le fichier au format customers.dat.fixed_width_file_definition créera les métadonnées d'un fichier "file customers" dont les champs seront définis à l'intérieur)
Ceci est l'équivalent d'un DDL RDBMS pour les fichiers à largueur fixe. Avec une extension d'une telle longueur, ce fichier de définition de données peut coexister avec les fichiers de données réels dans chaque répertoire système de fichiers les contenant.

Le format de fichier "Fixed Width File Definition (Définition de fichier à largeur fixe)" est défini tel que suit :
- Le fichier doit commencer par l'en-tête suivant 
nom de colonne, offset, largeur, type de données, commentaire
- Les offsets doivent tous être uniques et supérieurs ou égaux à 0.
a,0
b,4
- Le format du fichier est invalide lorsque certaines colonnes ont des offsets et d'autres n'en ont pas.
a,0
b,
c,4
- Lorsque toutes les colonnes n'ont pas d'offsets mais ont une largeur, l'application suppose que ces colonnes sont ordonnées et calcule les offsets en fonction des largeurs
a,,4 -> a,1,4
b,,25 -> b,5,25
- Lorsque l'offset est présent, l'application ignore les largeurs, car elles sont calculées depuis les offsets.
a,1,4
b,5,25
- Les types et commentaires sont utilisés comme documentation uniquement.
a,1,4,int
b,5,25,char[25],identifier

Ce pont détecte les types de données suivants : INTEGER, FLOAT, STRING, DATE, BOOLEAN.

FICHIERS COBOL COPYBOOK
Ce pont n'importe que les fichiers COBOL COPYBOOK (qui contiennent les définitions de données). Par conséquent, il ne détecte pas (rétro-ingénierie) les métadonnées des fichiers de données COBOL réels.
La détection de ce fichier COBOL COPYBOOK ne se base pas sur les extensions de fichier (comme .CPY) mais sur l'échantillonnage du contenu du fichier.

Ce pont crée un "Modèle hiérarchique physique" qui reflète une structure d'enregistrement, défini par sa position en nombre d'octets, vraiment plat, utile pour combiner les processus d'intégration de données/ETL. Ainsi, le modèle physique possède tous les éléments physiques nécessaires pour définir un enregistrement plat, qui consiste en UNE table contenant tous les éléments (comprenant plusieurs colonnes pour les éléments OCCURRENCES si le paramètre de pont approprié est configuré).

Notez qu'actuellement ce pont ne supporte pas le verbe COPY et rapporte une erreur de parsing pour la ligne et la position sur lesquelles l'instruction COPY commence. Afin d'importer des fichiers COPYBOOK ayant l'instruction Copy, créez un fichier COPYBOOK étendu avec les sections incluses déjà en place (remplaçant le verbe COPY). La plupart des compilateurs COBOL permettent d'écrire en sortie uniquement les fichiers COPYBOOK prétraités avec les instructions COPY et REPLACE étendues.

Foire aux questions :
Q : Pourquoi la colonne "6" (six) est-elle la colonne de début par défaut et la colonne "72" (soixante-douze), la colonne de fin ?
R : L'analyseur de pont compte les colonnes à partir de 0 (zéro), plutôt que 1 (un). De plus, le paramétrage par défaut laisse les six premières colonnes standards pour les numéros de lignes, la colonne suivante pour les indicateurs de commentaires et les 8 dernières (sur 80 au total) sont réservées à des informations sur les commentaires de lignes supplémentaires.

FICHIERS EXCEL (XLSX)
Ce pont détecte (rétro-ingénierie) les métadonnées à partir d'un fichier de données de format de type Excel XML (XLSX).
La détection de ces fichiers Excel est basée sur l'extension du fichier .XLSX.

Le pont a la capacité de détecter une ligne d'en-tête et de l'utiliser pour créer un nom de champ, sinon des noms de champs génériques sont créés.

Le pont effectue un échantillonnage jusqu'à 1 000 lignes pour détecter les types de données de fichier, tels que DATE, NUMBER, STRING.

Si un fichier Excel contient plusieurs feuilles, chacune d'entre elles est considérée lors de l'import comme l'équivalent d'un fichier/d'une table avec le même nom de feuille.

Ce pont utilise le système de fichiers local de la machine pour lire des fichiers. Il vous permet de spécifier le jeu de caractères utilisé par les fichiers d'encodage.

Ce pont importe uniquement l'aspect CSV d'Excel, mais ne supporte pas les aspects BI/Analyse d'Excel, comme les tableaux croisés dynamiques, les diagrammes, etc.

FICHIERS W3C XML
Ce pont d'import W3C XML est utilisé avec d'autres ponts d'import de fichiers (p. ex. CSV, XLSX, JSON, Avro, Parquet) par tous les ponts d'import de data lakes et de crawlers de fichiers (p. ex. systèmes de fichiers, Amazon S3, Hadoop HDFS).

L'objectif de cet import XML est d'effectuer une rétro-ingénierie sur un modèle/schéma à partir de son contenu, lorsque ce fichier XML n'a pas formellement été défini par un schéma XML (XSD ou DTD).
Ces fichiers XML sont communément téléchargés depuis des appareils IoT dans un data lake.

Toutefois, ces fichiers XML sont supposés être parfaitement compatibles avec W3C, particulièrement conformément à la déclaration de texte XML, aux entités parsées bien formées et à l'encodage des caractères des entités.
Pour plus d'informations concernant les normes W3C, consultez :
https://www.w3.org/TR/xml/#sec-TextDecl

Avertissement : vous devez utiliser le fichier XML dédié selon les ponts d'import pour tout autre besoin, tel que :
- autres ponts d'import W3C XML standard (p. ex. DTD, XSD, WSDL, OWL/RDL)
- outils spécifiques aux ponts d'import XML (p. ex. erwin Data Modeler XML, Informatica PowerCenter XML)

FICHIERS JSON
Ce pont importe des métadonnées à partir de fichiers JSON à l'aide de l'API Java.
Ce pont charge le fichier JSON dans sa globalité à l'aide d'un analyseur de flux. Il n'y donc pas de limite en termes de taille, mais le processus peut prendre du temps dans le cas d'un fichier JSON distant volumineux.
Ce pont extrait les métadonnées (structure hiérarchique JSON) et détecte les types de données JSON standards suivants :
tels que définis dans [https://www.json.org/
- Chaîne de caractères {"stringSample" : "some text", "stringDateSample" : "Thu Apr 06 2017 09:41:51 GMT+0300 (FLE Standard Time)", "expStringSample" : "2.99792458e8"}
- Nombre {"expNumberSample": 2.99792458E8, "numberSample": 3, "floatSample": 3.141592653589793}
- Tableau {"arraySample": [1,2,3]}
- Vrai {"booleanSample": true}
- Faux {"booleanSample": false}
- Null {"nullSample": null}

De plus, les types de données d'implémentation spécifique suivants sont supportés :
Extension MongoDB :
- Identifiant {"_id": {"$oid": "50a9c951300493f64fbffdb6"}}
- Date {"dateExample" : { "$date" : "2014-01-01T05:00:00.000Z"}}
- Date POSIX {"isoDateExample" : { "$date" : 1491461103897 }}
-Horodatage {"timestampExample" : { "$timestamp" : { "t" : 1412180887, "i" : 1 } }}
- Nombre {"numberLongExample": {"$numberLong": "7494814965"}}

Extension CouchDB :
- Identifiant {"_id":"someId","_rev":"1232343467"}

FICHIERS APACHE AVRO
Ce pont importe des métadonnées de fichiers Avro à l'aide d'une API Java.
Notez que ce pont n'effectue pas de découverte des métadonnées orientées données, mais lit plutôt la définition de schéma au niveau du pied de page (en bas) du fichier ORC.

Ce pont détecte les types de données Avro standards suivants :
https://avro.apache.org/docs/current/spec.html#schema_primitive

null - aucune valeur.
booléen - uen valeur binaire.
int - un entier signé 32 bits.
long - un entier signé 64 bits.
flottant - un nombre à virgule flottante simple précision (32 bits) IEEE 754.
double - un nombre à virgule flottante double précision (64 bits) IEEE 754.
octets - séquence d'octets non signés de 8 bits.
chaîne de caractères - séquence de caractères Unicode.

FICHIERS APACHE PARQUET
Ce pont importe des métadonnées à partir de fichiers Parquet à l'aide d'une API Java.
Notez que ce pont n'effectue pas de découverte des métadonnées orientées données, mais lit plutôt la définition de schéma au niveau du pied de page (en bas) du fichier Parquet. Aussi, ce pont a besoin de charger le fichier Parquet complet pour atteindre la définition de schéma située à la fin.

Si le fichier Parquet n'est pas compressé, la taille du fichier est illimitée, étant donné que le pont ignore automatiquement la portion de données jusqu'au pied de page (cela peut prendre du temps dans le cas de fichiers Parquet volumineux). Toutefois, si le fichier Parquet est compressé, alors le pont doit télécharger le fichier entier et commencer par le décompresser. Dans ce cas, la taille du fichier maximale par défaut est limitée à 10 Mo (les fichiers plus volumineux seront ignorés). Notez toutefois que cette limite peut être augmentée dans le paramètre Divers.

Ce pont détecte les types de données Parquet standards suivants :
comme défini dans https://parquet.apache.org/documentation/latest

BOOLÉEN : booléen 1 bit
INT32 : INT 32 bits signés
INT64 : INT 64 bits signés
INT96 : INT 96 bits signés
FLOAT : valeurs à virgule flottante IEEE 32 bits
DOUBLE : valeurs à virgule flottante IEEE 64 bits
BYTE_ARRAY : tableaux d'octets arbitrairement longs.

FICHIERS APACHE ORC
Ce pont importe des métadonnées à partir de fichiers ORC à l'aide d'une API Java.
Notez que ce pont n'effectue pas de découverte des métadonnées orientées données, mais lit plutôt la définition de schéma au niveau du pied de page (en bas) du fichier Parquet.

Ce pont détecte le type de données ORC standard suivant :
comme défini dans https://orc.apache.org/docs/types.html

Integer : booléen (1 bit), tinyint (8 bits), smallint (16 bits), int (32 bits), bigint (64 bits)
Virgule flottante : float, double
Types string : string, char, varchar
Blobs binaires : binary
Date/heure : timestamp (horodatage), timestamp with local time zone (horodatage avec fuseau horaire local), date
Types composés : struct, list, map, union

PLUS D'INFORMATIONS
Consultez les infobulles des paramètres individuels pour obtenir des exemples détaillés.

Paramètres du pont

Mapping du pont

Les informations de mapping ne sont pas disponibles