Fichier Apache Parquet - Import
Availability-note
AWS
Les fonctions exclusivement AWS sont disponibles via l'une des URL suivantes : us.cloud.talend.com, eu.cloud.talend.com, ap.cloud.talend.com
Note Informations Note : Ce format de fichier doit être importé avec les ponts d'import de système de fichiers (Délimité, Largeur fixe, Excel, XML, JSON, Avro, Parquet, ORC, COBOL Copybook), de système de fichiers distribué Apache Hadoop (API Java HDFS) ou Amazon Web Services (AWS) S3 Storage.
Prérequis du pont
Ce pont :nécessite un accès à Internet vers https://repo.maven.apache.org/maven2/ et/ou d'autres sites d'outils permettant de télécharger des pilotes dans <TDC_HOME>/data/download/MIMB/.
Spécifications du pont
| Fournisseur | Apache |
| Nom de l'outil | Fichier Parquet |
| Version de l'outil | Parquet 1.x |
| Site Web de l'outil | http://parquet.apache.org/ (uniquement en anglais) |
| Méthodologie supportée | [Système de fichiers] Data Store (NoSQL/Hiérarchique, Modèle de données physique) via une API Java sur un fichier Parquet |
| 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 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.
Consultez les infobulles des paramètres individuels pour obtenir des exemples détaillés.
Paramètres du pont
| Nom du paramètre | Description | Type | Valeurs | Défaut | Périmètre |
| Fichier | Chemin d'accès au fichier à importer | Fichier | *.* | Éléments obligatoires | |
| Miscellaneous | INTRODUCTION Spécifiez les options Divers, commençant par un tiret et suivies éventuellement par des paramètres, par exemple : -connection.cast MyDatabase1="MICROSOFT SQL SERVER" Certaines options peuvent être utilisées plusieurs fois, si applicable, par exemple : -connection.rename NewConnection1=OldConnection1 -connection.rename NewConnection2=OldConnection2; La liste d'options pouvant être une longue chaîne, il est possible de la charger à partir d'un fichier qui doit être situé dans ${MODEL_BRIDGE_HOME}\data\MIMB\parameters et avoir l'extension .txt. Dans ce cas, toutes les options doivent être définies au sein de ce fichier comme seule valeur de ce paramètre, par exemple ETL/Miscellaneous.txt OPTIONS DE L'ENVIRONNEMENT JAVA -java.memory <taille maximale de la mémoire Java> (anciennement -m) 1 Go par défaut sur un JRE de 64 bits ou tel que défini dans conf/conf.properties, par exemple -java.memory 8G -java.memory 8000M -java.parameters <options de ligne de commande de Java Runtime Environment> (anciennement -j) Cette option doit être la dernière dans le paramètre Divers car tout le texte après -java.parameters est passé tel quel à la JRE. Par ex. -java.parameters -Dname=value -Xms1G L'option suivante doit être définie lorsqu'un proxy est utilisé pour accéder à Internet (cela est essentiel pour accéder à https://repo.maven.apache.org/maven2/ et exceptionnellement à quelques autres sites d'outils) afin de télécharger les bibliothèques logicielles tierces nécessaires. Note : La majorité des proxys sont relatifs au chiffrement (HTTPS) du trafic extérieur (à l'entreprise) et à la confiance en le trafic intérieur pouvant accéder au proxy via HTTP. Dans ce cas, une requête HTTPS atteint le proxy via HTTP où le proxy la chiffre en HTTPS. -java.parameters -java.parameters -Dhttp.proxyHost=127.0.0.1 -Dhttp.proxyPort=3128 -Dhttp.proxyUser=user -Dhttp.proxyPassword=pass OPTIONS D'IMPORT DU MODÈLE -model.name <nom modèle> Écrase le nom du modèle, par ex. -model.name "My Model Name" -prescript <nom script> Cette option permet d'exécuter un script avant l'exécution du pont. Le script doit se situer dans le répertoire bin (ou comme spécifié dans M_SCRIPT_PATH dans conf/conf.properties) et avoir une extension .bat ou .sh. Le chemin d'accès au script ne doit pas inclure de symbole relatif au répertoire parent (..). Le script doit retourner le code de sortie 0 pour indiquer un succès ou une autre valeur pour indiquer un échec. Par exemple : -prescript "script.bat arg1 arg2" -postscript <nom script> Cette option permet d'exécuter un script après l'exécution réussie du pont. Le script doit se situer dans le répertoire bin (ou comme spécifié dans M_SCRIPT_PATH dans conf/conf.properties) et avoir une extension .bat ou .sh. Le chemin d'accès au script ne doit pas inclure de symbole relatif au répertoire parent (..). Le script doit retourner le code de sortie 0 pour indiquer un succès ou une autre valeur pour indiquer un échec. Par exemple : -postscript "script.bat arg1 arg2" -cache.clear Vide le cache avant l'import et va exécuter un import complet avec collecte incrémentale. Si le modèle n'a pas été modifié et que le paramètre -cache.clear n'est pas utilisé (collecte incrémentale), une nouvelle version ne sera pas créée. Si le modèle n'a pas été modifié et que le paramètre -cache.clear n'est pas utilisé (collecte incrémentale), une nouvelle version ne sera pas créée. -backup <répertoire> Cette option permet de sauvegarder les métadonnées d'entrée du pont à des fins de débogage. Le <répertoire> fourni doit être vide. L'utilisation principale de cette option concerne les ponts d'import des data stores, en particulier les ponts d'import basés sur des bases de données JDBC. Notez que cette option n'est pas opérationnelle sur certains ponts, notamment : - les ponts d'import basés sur des fichiers (car des fichiers d'entrée peuvent être utilisés à la place) - les ponts d'import de référentiels d'intégration de données/BI (car les outils natifs de sauvegarde du référentiel peuvent être utilisés à la place) - Certains ponts d'import basés sur des API (par ex. basés sur COM) pour des raisons techniques. OPTIONS DES CONNEXIONS DE DONNÉES Les connexions de données sont produites par les ponts d'import, généralement à partir des outils ETL/DI et BI pour faire référence aux data stores sources et cibles qu'elles utilisent. Ces connexions de données sont ensuite utilisées par les outils de gestion des métadonnées pour connecter ces dernières (connexion des métadonnées) à leurs data stores réels (par exemple, bases de données, système de fichiers, etc.) afin de produire le lignage complet de flux de données et de l'analyse d'impact de bout en bout. Le nom des connexions de données doit être unique dans chaque modèle d'import. Les noms de connexion de données utilisés dans les outils de conception DI/BI sont utilisés quand cela est possible, sinon ils sont générés en étant courts mais significatifs, comme le nom de la base de données/du schéma, le chemin d'accès au système de fichiers ou l'URI (Uniform Resource Identifier). L'option suivante vous permet de manipuler les connexions. Ces options remplacent les options héritées -c, -cd et -cs. -connection.cast ConnectionName=ConnectionType Lance une connexion à une base de données générique (par exemple ODBC/JDBC) pour un type de base de données précis (par exemple ORACLE) pour une analyse SQL, par exemple -connection.cast "My Database"="MICROSOFT SQL SERVER". La liste des types de connexions aux data stores comprend : ACCESS APACHE CASSANDRA DB2/UDB DENODO GOOGLE BIGQUERY HIVE MYSQL NETEZZA ORACLE POSTGRESQL PRESTO REDSHIFT SALESFORCE SAP HANA SNOWFLAKE MICROSOFT SQL AZURE MICROSOFT SQL SERVER SYBASE SQL SERVER SYBASE AS ENTERPRISE TERADATA VECTORWISE HP VERTICA -connection.rename OldConnection=NewConnection Renomme une connexion existante, par exemple, par ex. -connection.rename OldConnectionName=NewConnectionName Plusieurs connexions de bases de données existantes peuvent être renommées et fusionnées en une nouvelle connexion de base de données, par exemple : -connection.rename MySchema1=MyDatabase -connection.rename MySchema2=MyDatabase -connection.split oldConnection.Schema1=newConnection Scinde une connexion de base de données en une ou plusieurs connexions de base de données. Une connexion de base de données peut être scindée en une connexion par schéma, par exemple : -connection.split MyDatabase Toutes les connexions de base de données peuvent être fractionnées en une connexion par schéma, par exemple : -connection.split * Une connexion de base de données peut être explicitement fractionnée en une nouvelle connexion de base de données en ajoutant un nom de schéma à une base de données, par exemple : -connection.split MyDatabase.schema1=MySchema1 -connection.map SourcePath=DestinationPath Mappe un chemin d'accès source à un chemin d'accès de destination. Cela est utile pour les connexions aux systèmes de fichiers lorsque différents chemins d'accès pointent vers le même objet (répertoire ou fichier). Sur Hadoop, un processus peut écrire dans un fichier CSV spécifié avec le chemin d'accès complet HDFS, tandis qu'un autre processus lit d'une table Hive implémentée (externe) par le même fichier spécifié à l'aide d'un chemin d'accès relatif avec un nom et une extension de fichier par défaut, par exemple : -connection.map /user1/folder=hdfs://host:8020/users/user1/folder/file.csv Sous Linux, il peut être fait référence à un répertoire (ou à un fichier) donné tel que /data par plusieurs liens symboliques tels que /users/john et /users/paul, par exemple : -connection.map /data=/users/John -connection.map /data=/users/paul Sous Windows, il peut être fait référence à un répertoire donné tel que C:\data par plusieurs lecteurs réseau tels que M: et N:, par exemple : -connection.map C:\data=M:\ -connection.map C:\data=N:\ -connection.casesensitive ConnectionName Écrase les règles de rapprochement insensibles à la casse par défaut pour les identifiants d'objets dans la connexion spécifiée, si le type du data store détecté supporte cette configuration (par ex. Microsoft SQL Server, MySQL etc.), par exemple : -connection.casesensitive "My Database" -connection.level AggregationLevel Spécifie le niveau d'agrégation pour les connexions externes, par exemple -connection.level catalog Liste des valeurs supportées : server (serveur) catalog (catalogue) schema (schéma)(par défaut) OPTIONS DU SYSTÈME DE FICHIERS -file.encoding <Valeur d'encodage> Utilise la valeur d'encodage pour lire les fichiers texte (p. ex. délimités et à largeur fixe). Les langages supportés sont répertoriés ci-dessous avec la valeur d'encodage réelle entre parenthèses à la fin de chaque ligne, par exemple : -file.encoding shift_jis Européen central et oriental (ISO-8859-2) Européen central et oriental (Windows-1250) Chinois traditionnel (Big5) Chinois simplifié (GB18030) Chinois simplifié (GB2312) Cyrillique (ISO-8859-5) Cyrillique (Windows-1251) DOS (IBM-850) Grec (ISO-8859-7) Grec (Windows-1253) Hébreu (ISO-8859-8) Hébreu (Windows-1255) Japonais (Shift_JIS) Coréen (KS_C_5601-1987) Thaï (TIS620) Thaï (Windows-874) Turc (ISO-8859-9) Turc (Windows-1254) UTF-8 (UTF-8) UTF-16 (UTF-16) Européen occidental (ISO-8859-1) Européen occidental (ISO-8859-15) Européen occidental (Windows-1252) Encodage de la locale Aucune conversion d'encodage -processing.max.threads <number> (précédemment -tps) Permet d'effectuer un traitement parallèle jusqu'à un nombre maximal de threads (1 par défaut), par exemple : -processing.max.threads 10 -processing.max.time <time> (précédemment -tl) Configure une limite de temps pour le traitement de tous les fichiers. Le temps peut être spécifié en secondes, minutes ou heures, par ex. -processing.max.time 3600s -processing.max.time 60m -processing.max.time 1h -processing.max.files <number> (précédemment -fl) Configure un nombre maximal de fichiers à traiter (pas de limite par défaut), par ex. -processing.max.files 100 Utilisez cette option avec précaution pour gérer le grand nombre de fichiers pouvant se trouver dans les répertoires de partition. Le paramètre Partition directories (Répertoires de partition) doit être spécifié pour déclarer correctement les répertoires de partition. Cette spécification ne limite pas uniquement le nombre de fichiers similaires à traiter mais produit également un modèle propre du data lake en tant que partition plutôt qu'un grand nombre de fichiers. -partitions.latest (précédemment -fresh.partition.models) Utilise UNIQUEMENT les fichiers récemment modifiés lors du traitement des partitions définies dans le paramètre Répertoires partitionnés. -partitions.disable.detection (précédemment -disable.partitions.autodetection) Désactive la détection automatique des partitions (si l'option "Répertoires de partition" est vide) -cache.reuse (précédemment -skip.download) Réutilise ce qui a déjà été téléchargé dans le cache en désactivant le téléchargement des dépendances. -hadoop.key <Hadoop configuration options> (précédemment -hadoop) Définit les valeurs clés pour les bibliothèques Hadoop (Aucune par défaut), par exemple : -hadoop.key key1=val1;key2=val2 -path.substitute <path> <new path> (précédemment -subst) Remplace un chemin racine par un nouveau, par exemple : -path.substitute K: C:\test -detailed.log Afficher tous les chemins d'accès aux fichiers traités dans le log debug. OPTIONS DES FICHIERS DÉLIMITÉS -delimited.disable.header.parsing (précédemment -delimited.no_header) Désactive le parsing de l'en-tête des fichiers délimités (les en-têtes sont parsés par défaut pour détecter les noms de champs). Utilisez cette option si le fichier délimité n'a pas d'en-tête ou si vous souhaitez désactiver l'import de l'en-tête (si les noms de champs sont sensibles à la casse). -delimited.ignore.top.rows <number> (précédemment -delimited.top_rows_skip) Ignore un certain nombre de lignes en haut des fichiers délimités (0 par défaut). Utilisez cette option si les fichiers délimités contiennent plusieurs lignes de description au début. -delimited.ignore.top.rows 1 -delimited.add.separators <comma separated separators> (précédemment -delimited.extra_separators) Ajoute d'éventuels séparateurs lors du parsing de fichiers délimités. Par défaut, les séparateurs détectés comprennent : ', (virgule)', '; (point-virgule'), '\t (tabulation)', '| (barre verticale)', '0x1 (ctrl+A)', 'BS (\u0008)', ': (deux-points)' Les séparateurs supplémentaires peuvent se composer de plusieurs caractères, par ex. -delimited.add.separators ~,||,|~ OPTIONS DES FICHIERS PARQUET -parquet.max.compressed.size <value> (précédemment -parquet.compressed.max.size) Ignore tous les fichiers d'archive Parquet dont la taille compressée est supérieure à la valeur fournie (la valeur par défaut est de 10 000 000 octets), par exemple : -parquet.compressed.max.size=10000000 |
Chaîne de caractères |
Mapping du pont
Les informations de mapping ne sont pas disponibles