Apache Spark BatchのtSampleプロパティ
これらのプロパティは、Spark Batchジョブのフレームワークで実行されているtSampleを設定するために使われます。
Spark BatchのtSampleコンポーネントは、変換処理ファミリーに属しています。
このフレームワーク内のコンポーネントは、ビッグデータ対応のTalend 製品すべて、およびTalend Data Fabricで使用できます。
基本設定
[Schema] (スキーマ)と[Edit schema] (スキーマを編集) |
スキーマとは行の説明のことです。処理して次のコンポーネントに渡すフィールド(カラム)数を定義します。Sparkジョブを作成する場合、フィールドの命名時は予約語のlineを避けます。 スキーマを変更するには[Edit schema] (スキーマを編集)をクリックします。現在のスキーマがリポジトリータイプの場合は、3つのオプションを利用できます。
|
[Sampling with replacement] (交換によるサンプリング) |
交換によるサンプリングを続行し、各サンプリング結果が互いに独立したものとなるようにするには、このチェックボックスをオンにします。このチェックボックスをオフにしておくと、交換なしでサンプリングが実行されます。 |
[Sampling fraction] (サンプリング比) |
処理するデータに対するサンプルサイズの比率を入力します。たとえば、0.1と入力すると、処理中の合計データに対するサンプルデータの比率は10%になります。 |
[Use a seed for random number generator] (ランダム番号ジェネレーターにシードを使用) |
同じサンプルが再現できるように、正のシード番号(生成された番号のランダムなシーケンスの開始番号)を入力します。 |
使用方法
使用ルール |
このコンポーネントは、サンプリングされたデータセットを後続のコンポーネントに渡す中間コンポーネントです。 統計とサンプリングの知識が必要です。 このコンポーネントは、所属するSpark Batchのコンポーネントのパレットと共に、Spark Batchジョブを作成している場合にだけ表示されます。 特に明記していない限り、このドキュメントのシナリオでは、標準ジョブ、つまり従来の Talend データ統合ジョブだけを扱います。 |
[Spark Connection] (Spark接続) |
[Run] (実行)ビューの[Spark configuration] (Spark設定)タブで、ジョブ全体でのSparkクラスターへの接続を定義します。また、ジョブでは、依存jarファイルを実行することを想定しているため、Sparkがこれらのjarファイルにアクセスできるように、これらのファイルの転送先にするファイルシステム内のディレクトリーを指定する必要があります。
この接続は、ジョブごとに有効になります。 |