Propriétés du tMatchGroup MapReduce (déprécié)

Basic settings

Schema et Edit schema	Un schéma est une description de lignes. Il définit le nombre de champs (colonnes) à traiter et à passer au composant suivant. Lorsque vous créez un Job Spark, évitez le mot réservé `line` lors du nommage des champs. Cliquez sur Sync columns pour récupérer le schéma du composant précédent dans le Job. Le schéma de sortie de ce composant contient les champs suivants en lecture seule : GID : fournit l'identifiant du groupe du type de données String. Note InformationsRemarque : Dans les Jobs migrés depuis les versions précédentes dans votre version actuelle du Studio Talend, l'identifiant de groupe peut être de type Long. Si vous souhaitez avoir un identifiant de groupe de type String, remplacez les composants tMatchGroup dans les Jobs migrés par des composants tMatchGroup , depuis la Palette. GRP_SIZE : compte le nombre d'enregistrements dans le groupe, ce nombre est calculé uniquement sur l'enregistrement maître. MASTER : identifie, par true ou false, l'enregistrement utilisé dans les comparaisons de correspondance comme enregistrement maître. Il y a au moins un enregistrement maître par groupe. Chaque enregistrement d'entrée est comparé à l'enregistrement maître. SCORE : mesure la distance entre l'enregistrement d'entrée et l'enregistrement maître selon l'algorithme de correspondance utilisé. Si le composant tMatchGroup est utilisé afin d'avoir plusieurs flux de sortie, le score dans cette colonne décide du groupe de sortie dans lequel va l'enregistrement. GRP_QUALITY : indique la qualité des similarités d'un groupe en prenant la valeur minimale de correspondance. Seul l'enregistrement maître possède un score de qualité.
	Built-in : le schéma est créé et conservé localement pour ce composant seulement.
	Repository : le schéma existe déjà et est stocké dans le Repository. Ainsi, il peut être réutilisé dans des Jobs et projets.
Algorithme de rapprochement	Sélectionnez dans la liste l'algorithme que vous souhaitez utiliser dans le composant : Simple VSR est le seul algorithme de rapprochement que vous pouvez utiliser avec la version Map/Reduce de ce composant. Si vous avez converti un Job standard utilisant un tMatchGroup avec l'algorithme T-Swoosh en un Job Map/Reduce, sélectionnez Simple VSR dans la liste et sauvegardez le Job converti avant son exécution. Sinon, une erreur survient.
Définition de la clé	Input key attribute Sélectionnez la (les) colonne(s) du flux d'entrée sur laquelle (lesquelles) appliquer un algorithme de rapprochement. Note InformationsRemarque : Lorsque vous sélectionnez une colonne de dates sur laquelle appliquer un algorithme ou un algorithme de rapprochement, vous pouvez choisir ce que vous souhaitez comparer dans le format de date. Par exemple, si vous souhaitez comparer uniquement l'année, attribuez le type Date à la colonne concernée dans le schéma du composant puis saisissez "yyyy" dans le champ Date Pattern. Le composant convertit le format de date en une chaîne de caractères, selon le modèle défini dans le schéma, avant de comparer les chaînes de caractères.
	Matching Function Sélectionnez l'algorithme de correspondance dans la liste : Exact : met en correspondance chaque entrée traitée à toutes les entrées possibles de référence qui ont exactement la même valeur. Retourne 1 lorsque les deux chaînes de caractères, sinon, retourne 0. Exact - ignore case : met en correspondance chaque entrée traitée à toutes les entrées de référence possibles ayant les mêmes valeurs, en ignorant la valeur de la casse. Soundex : met en correspondance les entrées traitées selon l'algorithme de prononciation britannique. Indexe les chaînes de caractères par son, selon la prononciation anglaise. Par exemple "Hello": "H400". Les caractères chinois ne sont pas supportés. Levenshtein (distance d'édition) : calcule le nombre minimal de modifications (insertions, suppressions ou substitutions) nécessaires à la transformation d'une chaîne de caractères en une autre. Lorsque vous utilisez cet algorithme dans le composant tMatchGroup, il n'est pas nécessaire de spécifier une distance maximale. Le composant calcule automatiquement un pourcentage de correspondance, basé sur la distance. Ce score de correspondance sera utilisé afin de calculer la correspondance globale, selon le score assigné dans le champ Confidence Weight. Metaphone : cette option se base sur un algorithme phonétique afin d'indexer les entrées selon leur prononciation. Elle charge d'abord la phonétique de toutes les entrées du flux lookup de référence, puis vérifie toutes les entrées du flux principal par rapport aux entrées du flux de référence. Les caractères chinois ne sont pas supportés. Double Metaphone : nouvelle version de l'algorithme phonétique Métaphone, qui produit des résultats plus précis que l'algorithme originel. Il peut retourner un code primaire et un code secondaire pour une chaîne de caractères. Cela est utile dans des cas ambigus, mais également pour de multiples variantes de noms de famille aux origines communes. Les caractères chinois ne sont pas supportés. Soundex FR : met en correspondance les entrées traitées selon un algorithme phonétique de prononciation française standard. Les caractères chinois ne sont pas supportés. Jaro : met en correspondance les entrées traitées selon des erreurs d'orthographe. Il compte le nombre de caractères correspondants entre deux chaînes de caractères. Plus la distance est grande, plus les chaînes sont semblables. Jaro-Winkler : variante de Jaro, donnant plus d'importance au début de la chaîne de caractères. Fingerprint key : met en correspondance des entrées après avoir effectué le processus séquentiel suivant : suppression des espaces blancs en début et fin de champ, passage de tous les caractères en minuscules, Les caractères chinois ne sont pas supportés. suppression de toute la ponctuation et de tous les caractères de contrôle, division de la chaîne de caractères en jetons séparés par des espaces blancs, tri des jetons et suppression des doublons, fusion des jetons, Comme les morceaux des chaînes de caractères sont triés, l'ordre donné des jetons n'importe pas. Cruise, Tom et Tom Cruise obtiennent finalement l'empreinte (clé) cruise tom et terminent dans le même cluster. normalisation des caractères occidentaux étendus par leur représentation ASCII, par exemple gödel par godel. Cela reproduit les erreurs des entrées de données effectuées lors de la saisie de caractères étendus avec un clavier ASCII. Cependant, cette procédure peut amener à de faux positifs, par exemple gödel et godél obtiennent godel comme empreinte mais ce sont probablement des noms différents. Cela peut manquer d'efficacité pour des jeux de données dans lesquels des caractères étendus jouent un rôle de différenciation important. q-grams : met en correspondance les entrées traitées en divisant les chaînes de caractères en blocs de lettres de longueur q, afin de créer un nombre de longueurs q-grammes. Le résultat de correspondance est donné comme le nombre de correspondances entre les q-grammes d'entrée et de référence, divisé par le nombre de q-grammes possibles. Hamming : calcule le nombre minimal de substitutions requises pour transformer une chaîne de caractères en une autre de la même longueur. Par exemple, la distance de Hamming entre "masking" et "pairing" est égale à 3. custom... : permet de charger un algorithme externe de mise en correspondance à partir d'une bibliothèque Java via la colonne Custom Matcher. Pour plus d'informations concernant le chargement d'une bibliothèque Java externe, consultez tLibraryLoad (uniquement en anglais). Pour plus d'informations concernant la création d'un algorithme de correspondance personnalisé, consultez Créer un algorithme de correspondance personnalisé (uniquement en anglais). Pour un scénario associé concernant l'utilisation d'un algorithme de correspondance personnalisé, consultez Utilisation d'un algorithme de mise en correspondance personnalisé pour faire correspondre des entrées (uniquement en anglais).
	Custom Matcher Lorsque vous sélectionnez Custom comme type de correspondance, saisissez le chemin d'accès à la classe personnalisée (algorithme externe de mise en correspondance) à utiliser. Ce chemin d'accès est défini par vos soins dans le fichier de la bibliothèque (fichier .jar). Par exemple, pour utiliser une classe MyDistance.class stockée dans le répertoire org/talend/mydistance dans une bibliothèque définie par l'utilisateur ou l'utilisatrice mydistance.jar, le chemin d'accès à saisir est org.talend.mydistance.MyDistance.
	Importance Définissez un poids numérique pour chaque attribut (colonne) de la définition de clé. Les valeurs doivent être supérieures à 0.
	Gestion des null Pour gérer des valeurs Null, sélectionnez dans la liste l'opérateur à utiliser sur la colonne : Null Match Null : un attribut Null correspond à un autre attribut Null uniquement. Null Match None : un attribut Null ne correspond jamais à un autre attribut. Null Match All : un attribut Null correspond à n'importe quelle autre valeur d'un attribut. Par exemple, dans deux colonnes name et firstname pour lesquelles le nom n'est jamais null, le prénom peut être null. Si vous avez deux enregistrements : "Doe", "John" "Doe", "" Selon l'opérateur sélectionné, ces deux enregistrements peuvent correspondre ou ne pas correspondre : Null Match Null : ne correspondent pas. Null Match None : ne correspondent pas. Null Match All : correspondent. Pour les enregistrements : "Doe", "" "Doe", "" Null Match Null : correspondent. Null Match None : ne correspondent pas. Null Match All : correspondent.
Match Threshold	Saisissez la probabilité de correspondance. Deux enregistrements de données correspondent lorsque la probabilité est supérieure à la valeur définie. Vous pouvez saisir un seuil de correspondance différent pour chaque règle de rapprochement.
Sélection des blocs	Colonne d'entrée Au besoin, sélectionnez la (les) colonne(s) de flux d'entrée selon laquelle (lesquelles) vous souhaitez partitionner les données traitées en blocs, ce qui est habituellement appelé "blocking". La création de blocs (ou de groupes) réduit le nombre de paires d'enregistrements nécessitant examen. Lors de la création de blocs, les données d'entrée sont partitionnées en blocs exhaustifs créés pour augmenter la proportion de correspondances observées lors de la réduction du nombre de paires à comparer. Les comparaisons sont limitées aux paires d'enregistrements dans chaque bloc. Utiliser des colonnes de bloc est très utile lorsque vous traitez des données très volumineuses.

Advanced settings

Store on disk	Cochez la case Store on disk si vous souhaitez stocker les blocs de données traitées sur le disque, afin d'optimiser les performances de votre système. Max buffer size : Saisissez la taille de la mémoire physique que vous souhaitez allouer aux données traitées. Temporary data directory path :définissez l'emplacement où stocker le fichier temporaire.
Sorties multiples	Cochez la case Separate output pour obtenir trois flux de sortie différents : -Uniques : lorsque le score du groupe (distance minimale calculée dans l'enregistrement) est égal à 1, l'enregistrement est listé dans ce flux. -Matches : lorsque le score du groupe (distance minimale calculée dans l'enregistrement) est supérieur au seuil défini dans le champ Confidence threshold, l'enregistrement est listé dans ce flux. -Suspects : lorsque le score du groupe (distance minimale calculée dans l'enregistrement) est inférieur au seuil défini dans le champ Confidence threshold, l'enregistrement est listé dans ce flux. Confident match threshold : configurez une valeur numérique entre la valeur de Match threshold et 1. Au-dessus de ce seuil, vous pouvez avoir confiance en la qualité du groupe.
Multi-passe	Cochez cette case pour permettre à un tMatchGroup de recevoir des ensembles de données provenant du tMatchGroup précédent dans le Job. Cela permet d'affiner les groupes reçus par chaque tMatchGroup tout en créant des partitions de données basées sur les différentes clés de bloc. Note InformationsRemarque : Lorsque vous utilisez deux composants tMatchGroup et cette option dans un Job, vous devez cocher cette case dans les deux composants tMatchGroup, avant de les relier. Si vous avez relié les composants avant de cocher la case, cochez la case dans le second composant du flux du Job, puis dans le premier composant. Sinon, il est possible que vous rencontriez une erreur, car deux colonnes du schéma de sortie auraient le même nom. Cocher cette case dans un seul tMatchGroup peut causer des erreurs de schémas ne correspondant pas. Pour un Job d'exemple, consultez Rapprochement de données clients via de multiples passes (uniquement en anglais).
Trier les données par ID de groupe	Cochez cette case afin de regrouper les données de sortie par l'identifiant du groupe. Les données de sortie sont classées selon l'ordre alphanumérique de l'identifiant du groupe.
Output distance details	Cochez cette case pour ajouter une colonne de sortie MATCHING_DISTANCES dans le schéma du composant. Cette colonne donne la distance entre les enregistrements d'entrée et les enregistrements maître de chaque groupe. Note InformationsRemarque : Lorsque vous utilisez deux composants tMatchGroup et cette option dans un Job, vous devez cocher cette case dans les deux composants tMatchGroup, avant de les relier. Si vous avez relié les composants avant de cocher la case, cochez la case dans le second composant du flux du Job, puis dans le premier composant. Sinon, il est possible que vous rencontriez une erreur, car deux colonnes du schéma de sortie auraient le même nom. Cocher cette case dans un seul tMatchGroup peut causer des erreurs de schémas ne correspondant pas.
Display detailed labels	Cochez cette case pour que la colonne de sortie MATCHING_DISTANCES affiche le nom des colonnes utilisées comme attributs clé selon la règle appliquée en plus de la distance de correspondance. Par exemple, si vous souhaitez effectuer une correspondance sur les champs de prénom, fname, et de nom, lname, la sortie est fname:1.0\|lname:0.97 lorsque la case est cochée et 1.0\|0.97 lorsqu'elle ne l'est pas.
tStatCatcher Statistics	Cochez cette case afin de collecter les données de log au niveau du composant. Notez que cette case n'est pas disponible dans la version Map/Reduce de ce composant.

Variables globales

Variables globales	ERROR_MESSAGE : message d'erreur généré par le composant lorsqu'une erreur survient. Cette variable est une variable After et retourne une chaîne de caractères. Cette variable fonctionne uniquement si la case Die on error est décochée, lorsque le composant contient cette case. Une variable Flow fonctionne durant l'exécution d'un composant. Pour renseigner un champ ou une expression à l'aide d'une variable, appuyez sur les touches Ctrl+Espace pour accéder à la liste des variables. À partir de cette liste, vous pouvez choisir la variable que vous souhaitez utiliser. Pour plus d'informations concernant les variables, consultez le Guide d'utilisation du Studio Talend.

ERROR_MESSAGE : message d'erreur généré par le composant lorsqu'une erreur survient. Cette variable est une variable After et retourne une chaîne de caractères. Cette variable fonctionne uniquement si la case Die on error est décochée, lorsque le composant contient cette case.

Une variable Flow fonctionne durant l'exécution d'un composant.

Pour renseigner un champ ou une expression à l'aide d'une variable, appuyez sur les touches Ctrl+Espace pour accéder à la liste des variables. À partir de cette liste, vous pouvez choisir la variable que vous souhaitez utiliser.

Pour plus d'informations concernant les variables, consultez le Guide d'utilisation du Studio Talend.

Utilisation

Règle d'utilisation	Dans un Job Map/Reduce Talend, il est utilisé comme étape intermédiaire, avec d'autres composants Map/Reduce. Ils génèrent nativement du code Map/Reduce pouvant être exécuté directement dans Hadoop. Vous devez utiliser l'onglet Hadoop Configuration de la vue Run afin de définir la connexion à une distribution Hadoop donnée pour le Job complet. Pour plus d'informations concernant les Jobs Map/Reduce Talend, consultez les sections décrivant comment créer, convertir et configurer un Job Map/Reduce Talend, dans le Guide de prise en main de Talend Big Data. Pour un exemple de scénario de Job Map/Reduce Job utilisant ce composant, consultez le Correspondance de données via de multiples passes à l'aide de composants Map/Reduce (uniquement en anglais). Notez que, dans cette documentation, sauf mention contraire, un scénario présente uniquement des Jobs Standard, c'est-à-dire des Jobs Talend traditionnels d'intégration de données et non des Jobs Map/Reduce.

Règle d'utilisation

Dans un Job Map/Reduce Talend, il est utilisé comme étape intermédiaire, avec d'autres composants Map/Reduce. Ils génèrent nativement du code Map/Reduce pouvant être exécuté directement dans Hadoop.

Vous devez utiliser l'onglet Hadoop Configuration de la vue Run afin de définir la connexion à une distribution Hadoop donnée pour le Job complet.

Pour plus d'informations concernant les Jobs Map/Reduce Talend, consultez les sections décrivant comment créer, convertir et configurer un Job Map/Reduce Talend, dans le Guide de prise en main de Talend Big Data.

Pour un exemple de scénario de Job Map/Reduce Job utilisant ce composant, consultez le Correspondance de données via de multiples passes à l'aide de composants Map/Reduce (uniquement en anglais).

Notez que, dans cette documentation, sauf mention contraire, un scénario présente uniquement des Jobs Standard, c'est-à-dire des Jobs Talend traditionnels d'intégration de données et non des Jobs Map/Reduce.

Basic settings

Advanced settings

Variables globales

Utilisation

Cette page vous a-t-elle aidé ?