Apache Spark Ba​​tchのtDataShufflingプロパティ

[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。

  ジョブで接続している先行コンポーネントからスキーマを取得するためには、[Sync columns] (カラムを同期)をクリックします。

  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。

  • [View schema] (スキーマを表示): スキーマのみを表示する場合は、このオプションを選択します。

  • [Change to built-in property] (組み込みのプロパティに変更): ローカルで変更を行うためにスキーマを組み込みに変更する場合は、このオプションを選択します。

  • [Update repository connection] (リポジトリー接続をアップデート): リポジトリーに保存されているスキーマに変更を加え、変更後にそのコンテンツをすべてのジョブにプロパゲートするかどうかを決める場合は、このオプションを選択します。

    変更を現在のジョブにのみ反映する場合は、変更後、[No] (いいえ)を選択し、[Repository Content] (リポジトリーコンテンツ)ウィンドウで再びこのスキーマのメタデータを選択します。

• [Built-in] (組み込み): そのコンポーネントに対してのみスキーマを作成し、ローカルに保管します。

• [Repository] (リポジトリー): スキーマは作成済みで、リポジトリーに保管されています。さまざまなプロジェクトやジョブデザインで再利用できます。

[Shuffling columns] (カラムのシャッフル)

シャッフルするカラムのグループを定義します:

• [Column] (カラム): シャッフルするカラムを選択します。

• [Group ID] (グループID): カラムをグルーピングするグループ ID を選択します。同じグループ識別コードを持つカラムが一緒にシャッフルされます。

  このフィールドはデフォルトで0に設定されています。これは、カラムがシャッフルプロセスに含まれないことを意味します。

[Seed for random generator] (ランダムジェネレーターをシード)

ジョブの実行ごとに同じ順序でデータをシャッフルする場合は、乱数を設定します。シードはデフォルトでは設定されません。

シードを設定しないと、コンポーネントが各ジョブの実行に対して新しいランダムシードを作成します。このフィールドに異なる値を指定して実行を繰り返すと、別の順序でデータがシャッフルされます。

[Partitioning columns] (カラムのパーティショニング)

データのパーティショニングに使用するカラムを追加します。

選択されたカラムは、シャッフルプロセスで小さなパーティションに分割されます。パーティション内の行のみシャッフルできます。

使用ルール

このコンポーネントは中間ステップとして使用されます。

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、このドキュメンテーションのシナリオでは、標準ジョブ、つまり従来の Talend Data Integrationジョブだけを扱います。

[Spark Connection] (Spark接続)

この接続は、ジョブごとに有効になります。