Accéder au contenu principal Passer au contenu complémentaire

Système de fichiers distribué Apache Hadoop (API Java HDFS) - Import

Availability-note AWS

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 Système de fichiers distribué Hadoop (HDFS)
Version de l'outil Hadoop 2.x to 3.x
Site Web de l'outil http://hadoop.apache.org/docs/r1.2.1/hdfs_user_guide.html
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 : 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 d'import scanne un data lake implémenté sur le système de fichiers distribué Apache (Cloudera, Hortonworks...) Hadoop (HDFS) afin de détecter (par rétro-ingénierie) les métadonnées de tous les fichiers (à des fins de catalogage).
Cela comprend la découverte des métadonnées orientées échantillonnage de la structure des données (par ex. une table CSV, une hiérarchie JSON) et des types de données (par ex. Integer, Date, String).

Ce pont d'import utilise une bibliothèque Java Apache Hadoop HDFS (JAR) pour accéder au système de fichiers Hadoop.
Les fichiers JAR de la bibliothèque sont situés dans le répertoire /java/Hadoop.
Vous pouvez spécifier un répertoire de fichiers de configuration et souvent, cela suffit, comme les valeurs des autres paramètres du pont d'import peuvent être spécifiées ici.

FOIRE AUX QUESTIONS
Q : Le mode Haute Disponibilité pour le NameNode est-il supporté ?
R : Dans un environnement de haute disponibilité, vous devez toujours faire référence au nom de service logique (propriété de configuration fs.defaultFS dans core-site.xml) et non aux NameNodes.
La syntaxe pour le paramètre d'URL est : hdfs://<nameservice>/
Notez qu'aucun numéro de port n'est spécifié.
La haute disponibilité est disponible à partir de Hadoop 2.0.0 (plus de 7 ans).

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

Nom du paramètre Description Type Valeurs Défaut Périmètre
Répertoire des fichiers de configuration Répertoire contenant les fichiers core-site.xml et hdfs-site.xml pour votre environnement.

Paramètre facultatif vous permettant de réutiliser vos fichiers de configuration et d'éviter de saisir manuellement les informations de connexion à Hadoop ou de sécurité Kerberos, en utilisant les autres paramètres.

Pour spécifier les détails manuellement, laissez la valeur de ce paramètre vide. Si vous spécifiez la valeur du répertoire et qu'il ne contient pas les fichiers de configuration, le pont d'import termine avec erreur.

Vous pouvez écraser les paramètres disponibles dans les fichiers de configuration à l'aide des paramètres du pont d'import.
Par exemple, vous pouvez écraser le paramètre de fichier fs.default.name à l'aide du paramètre URI du NameNode du pont d'import.
RÉPERTOIRE      
URL URI du NameNode Hadoop, par exemple hdfs://host::8020
Pour accéder au NameNode via l'interface REST WebHDFS, spécifiez le protocole 'webhdfs' :
webhdfs://host::8020
Chaîne de caractères   [web]hdfs://[server host]:[port]  
Répertoire racine Saisissez le répertoire contenant les fichiers de métadonnées ou spécifiez-le à l'aide de l'outil pour parcourir votre système.
Le pont d'import fournit jusqu'à cinq niveaux de profondeur à parcourir.
REPOSITORY_MODEL      
Filtre par inclusion Modèle de filtre par inclusion de dossier et de fichier relatif au répertoire racine.
Le modèle utilise la syntaxe des expressions UNIX glob étendue, sensible à la casse.
Voici quelques exemples courants :
*.* - inclut tout fichier au niveau racine
*.csv - inclut uniquement les fichiers CSV au niveau racine
**.csv - inclut uniquement les fichiers CSV à tous les niveaux
*.{csv,gz} inclut uniquement les fichiers CSV ou GZ au niveau racine
dir\*.csv - inclut uniquement les fichiers CSV dans le dossier "dir"
dir\**.csv - inclut uniquement les fichiers CSV dans le dossier "dir" à tous les niveaux
dir\**.* - inclut tout fichier dans le dossier "dir" à tous les niveaux
f.csv - inclut tous les fichiers dans n'importe quel dossier "dir" à tous les niveaux
**\f.csv - inclut uniquement f.csv à tous les niveaux
**dir\** - inclut tous les fichiers dans n'importe quel dossier "dir" à tous les niveaux
**dir1\dir2\** - inclut tous les fichiers dans n'importe quel dossier "dir2", sous n'importe quel dossier "dir1" à tous les niveaux
Chaîne de caractères      
Filtre par exclusion Modèle de filtre par exclusion de dossier et de fichier relatif au répertoire racine.
Le modèle utilise la même syntaxe que le filtre par inclusion. Vous pouvez le consulter pour obtenir des détails sur la syntaxe et quelques exemples.
Les fichiers qui correspondent au filtre par exclusion sont ignorés.
Si les filtres par inclusion et par exclusion sont vides, tous les dossiers et fichiers sous le répertoire racine sont inclus.
Si le filtre par inclusion est vide et que le filtre par exclusion ne l'est pas, les dossiers et fichiers sous le répertoire racine sont inclus, sauf ceux correspondant au filtre d'exclusion.
Chaîne de caractères      
Répertoires de partitions Chemins d'accès aux répertoires de partitions basées sur des fichiers.
Le pont tente de détecter des partitions automatiquement. Cela peut prendre un certain temps lorsque les fichiers sont nombreux. Vous pouvez raccourcir le processus de détection pour certaines ou toutes les partitions en les spécifiant dans ce paramètre.

Spécifiez le chemin d'accès au répertoire de la partition associé au répertoire racine.
Utilisez . pour spécifier le répertoire racine comme répertoire partitionné.
Séparez les différents chemins par un caractère , (ou ;).

Les outils ETL lisent et écrivent dans des répertoires de partitions basées sur des modèles. Les paragraphes suivants présentent différents exemples.

Partitions spécifiques aux applications
L'ETL peut écrire des fichiers dans le dossier F pour partitionner les sous-dossiers nommés par une expression de fonction (par ex., 'getDate@[yyyyMMdd]'). Le résultat est représenté comme le jeu de données 'getDate@[yyyyMMdd]' dans le dossier 'F'.
Générez le jeu de données de rapprochement en spécifiant :
F/[getDate@[yyyyMMdd]]

Structure interne du répertoire partitionné
Spécifiez les informations supplémentaires concernant la structure interne du répertoire partitionné à l'aide du [nom du jeu de données] et des modèles (nom de colonne partitionnée).
Dossier et structure de fichier d'exemple :
zone1/po/us/2018/00001.csv
Générez le jeu de données correspondant en spécifiant :
zone1/[po]/{region}/{year}/*.csv
ou, si les noms des colonnes de partition ne sont pas importants (iils seront connectés selon leur position) :
zone1/[po]/{*}/{*}/*.csv

Partitions personnalisées des applications des structures internes du répertoire de partition
Dossier et structure de fichier d'exemple :
zone2/ACCT/10190103/bad/00001.csv
zone2/ACCT/10190103/good/00001.parquet
zone2/CUST/10190103/bad/00001.csv
zone2/CUST/10190103/good/00001.parquet
Générez le jeu de données correspondant en spécifiant :
zone2/*/{date}/[bad]/*.csv, zone2/*/{date}/[good]/*.parquet

Partitions basées sur les fichiers
Dossier et structure de fichier d'exemple :
zone3/mlcs.dataset1_data_document_20190219_132315.125.csv
zone3/mlcs.dataset1_data_document_20190313_232416.225.csv
zone3/mlcs.dataset1_data_document_20190414_532317.535.csv
zone3/mlcs.dataset2_data_document_20190211_131215.125.xml
zone2/mlcs.dataset2_data_document_20190314_130316.225.xml
zone3/mlcs.dataset2_data_document_20190416_132317.535.xml
Générez le jeu de données correspondant en spécifiant :
zone3/mlcs.[dataset1]_data_document_{date}.csv,zone3/mlcs.[dataset2]_data_document_{date}.xml
Chaîne de caractères   */*/[*]/*.*  
Hadoop properties Propriétés de configuration personnalisée Hadoop et HDFS.

Le pont d'import utilise une configuration par défaut pour accéder à une distribution Hadoop. Si vous devez utiliser une configuration personnalisée, spécifiez la valeur de ses paramètres ici.

Pour plus d'informations concernant les propriétés requises par Hadoop et ses systèmes associés, tels que HDFS et Hive, consultez la documentation de la distribution Hadoop utilisée ou consultez la documentation d'Apache Hadoop sur http://hadoop.apache.org/docs en sélectionnant la version de la documentation souhaitée. À des fins de démonstration, les liens vers certaines propriétés sont listés ci-dessous :
Généralement, les propriétés relatives à HDFS peuvent être trouvées dans le fichier
http://hadoop.apache.org/docs/r2.6.0/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml.
Chaîne de caractères      
Fichier Keytab Chemin complet d'accès au fichier Keytab de Kerberos. Le fichier est nécessaire pour vous connecter à un système Hadoop sécurisé par Kerberos. Il contient des paires de Principaux et de clés chiffrées Kerberos. Vous devez saisir le Principal à l'aide du paramètre Utilisateur du Principal.

L'utilisateur ou l'utilisatrice exécutant ce pont d'import n'est pas nécessairement celui ou celle désigné(e) par le Principal mais doit avoir le droit de lire le fichier Keytab utilisé. Par exemple, le nom d'utilisateur ou d'utilisatrice que vous utilisez pour exécuter le pont d'import est userA et le Principal à utiliser est UserB. Dans cette situation, assurez-vous que userA a les droits de lecture pour le fichier Keytab à utiliser.
Chaîne de caractères      
Principal Le nom du Principal utilisateur
Consultez la documentation du paramètre ''Fichier Keytab'' pour plus d'informations.
Chaîne de caractères      
Username nom d'utilisateur ou d'utilisatrice de HDFS. Des fois mentionné comme nom de proxy.
Le paramètre est utilisé uniquement pour l'authentification Kerberos.
Il n'affecte pas l'utilisateur·trice exécutant le pont d'import.

L'identifiant doit suivre le format suivant :
'<Name>@<Realm>'
Chaîne de caractères      
Fournisseur de clés de chiffrement HDFS (KMS) Emplacement du proxy KMS. Par exemple, kms://http@localhost:16000/kms.
Spécifiez le fournisseur de clés de chiffrements uniquement lorsque le chiffrement HDFS transparent a été activé dans votre cluster. Sinon, laissez la valeur vide.
Pour plus d'informations concernant le chiffrement transparent HDFS et son proxy KMS, consultez Transparent Encryption in HDFS (en anglais) à l'adresse https://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-hdfs/TransparentEncryption.html.
Chaîne de caractères      
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

Cette page vous a-t-elle aidé ?

Si vous rencontrez des problèmes sur cette page ou dans son contenu – une faute de frappe, une étape manquante ou une erreur technique – dites-nous comment nous améliorer !