Système de fichiers Kafka Confluent (Registre de schéma et d'API) - Import

Spécifications du pont

Fournisseur	Confluent
Nom de l'outil	Système de fichiers Kafka
Version de l'outil	Kafka 2.x
Site Web de l'outil	http://kafka.apache.org/
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 : Confluent/Système de fichiers Kafka version de Kafka 2.x via une API Java
Consultez http://kafka.apache.org/
Métadonnées : [Système de fichiers] Multimodèle, Data Store (NoSQL/Hiérarchique, Modèle de données physique)
Composant : ApacheKafkaImport.Confluent version 11.2.0

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

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
L'utilisation première de Kafka est relative aux pipelines de données haute performance, de la file d'attente des messages à une plateforme de mise en flux d'événements. Dans ce cas, tous les topics sont exclusivement composés de fichiers Avro avec les métadonnées décrites dans un registre Kafka (Confluent).
Lorsque le paramètre "URL du registre du schéma" est spécifié, ce pont d'import récupère automatiquement les métadonnées de ce topic à partir du registre Kafka.

FOIRE AUX QUESTIONS
Q : Lorsque vous vous connectez à Kafka à l'aide de :
"PLAIN authentication (Authentification PLAIN)"
Spécifiez le chemin de configuration JAAS (JAAS configuration path) et laissez le paramètre "Kafka brokers principal name (Nom du principal des brokers Kafka)" vide.

"KERBEROS authentication (Authentification KERBEROS)"
Spécifiez les valeurs des deux paramètres.

"without authentication (sans authentification)"
Laissez ces deux paramètres vides.

Consultez la documentation des paramètres individuels pour plus d'informations.

Q : Comment corriger l'exception "Exception:No entry found for connection 2" au cours d'un import ?
R : La machine exécutant le pont n'est pas correctement configurée pour la résolution du nom du DataNode Kafka. Lorsque le pont invoque l'API Kafka pour demander au NameNode où se trouvent les données du message, le NameNode retourne le nom de l'hôte (et non une IP) de la machine du DataNode. Cependant, dans ce cas, le nom d'hôte ne peut être traduit en adresse IP à cause de problèmes de résolution du nom d'hôte sur cette machine. Pour une résolution, ajoutez une entrée au nom d'hôte de la machine du DataNode dans le fichier de configuration "hosts" du système.

LIMITATIONS
Consultez les limitations générales connues à l'adresse https://metaintegration.com/Products/MIMB/Help/#!Documents/mimbknownlimitations.html
Lorsque vous exécutez à la fois le cluster Kafka (serveur) en version 1.1.x et le pont d'import (client) sur un système Windows, l'import peut échouer avec une erreur d'expiration. La version 2.0.x de Kafka a résolu ce problème.

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