Apache Spark (PythonまたはScalaと併用) - インポート
ブリッジの要件
このブリッジ:ドライバーを<TDC_HOME>/data/download/MIMB/にダウンロードするためには、https://repo.maven.apache.org/maven2/ やその他のツールサイトへのインターネットアクセスが必要です。
ブリッジの仕様
| ベンダー | Apache |
| ツール名 | Spark (PythonまたはScalaと併用) |
| ツールバージョン | Spark 2.x〜3.x |
| ツールのWebサイト | http://spark.apache.org/ (英語のみ) |
| サポートされている方法論 | [データ統合] マルチモデル、データストア(物理データモデル)、PythonまたはScalaファイルを使ったSpark経由の(ソースとターゲットのデータストア、変換来歴、式解析) |
| データプロファイリング |  |
| 増分収集 | |
| マルチモデル収集 |  |
| モデル選択のためのリモートリポジトリーの参照 | |
仕様
ツール: PythonまたはScalaファイル
経由のApache / Spark (およびPythonまたはScala)バージョンSpark 2.x〜3.x http://spark.apache.org/をご覧ください
メタデータ:[データ統合] マルチモデル、データストア(物理データモデル)、(ソースとターゲットのデータストア、変換来歴、式解析)
コンポーネント: ApacheSparkバージョン11.2.0
免責事項
このインポートブリッジでは、インターネットに接続して次のサードパーティライブラリーをダウンロードする必要があります:
- オープンソースのサードパーティライブラリーをダウンロードする場合はhttps://repo.maven.apache.org/maven2/など
- その他のサードパーティソフトウェア(データベース特定のJDBCドライバーなど)は該当するサイトへ
ダウンロードされたサードパーティライブラリーは、$HOME/data/download/MIMB/に格納されています。
HTTPSが失敗した場合、インポートブリッジはHTTPを試します。
- インターネットへのアクセスにプロキシを使用している場合は、JREでそのプロキシを設定する必要があります(Miscellaneousパラメーターで -j オプションをご覧ください)。
- インポートブリッジではインターネットにフルにアクセスできない場合は、インターネットアクセスがある別のサーバーから$HOME/data/download/MIMB/ディレクトリーをコピーします。$HOME/bin/MIMB.sh (または.bat) -dというコマンドを使えば、すべてのブリッジで使用される全サードパーティライブラリーを一度にダウンロードできます。
このインポートブリッジを実行すると、ライセンス規約の責任、およびダウンロードしたサードパーティソフトウェアライブラリーによって生じる潜在的なセキュリティの脆弱性を受け入れることになります。
概要
このApache Sparkインポートブリッジの目的は、PythonまたはScalaスクリプトからのすべてのSparkステートメントを検出して解析することです。
これは、関係するソースデータストアとターゲット データストアの正確なスコープ(データモデル)、
およびそれらの間のデータフロー来歴とインパクト分析(データ統合ETL/ELTモデル)を生成するためです。
要件
該当なし
よくある質問
Q: sas-metabridge-relationship-loaderはソースコード単位で、またはソースコードファンクション単位で実行する必要がありますか?
A: 複数のエントリーポイントを有効にして(コメント解除して)、一度にインポートできます。
Q: フォルダー内の全ファイルで一度にインポートすることが推奨されますか? それとも、各ファイルに対して個別に実行すべきですか?
A: スクリプトを1つのプログラムやライブラリーとしてまとめてインポートすれば、より完全な来歴を取得できます。これによって、モジュール間の内部依存項目がブリッジによってすべて自動的に解決されます。
Q: パラメーターを追加する必要がありますか?
A: 必須ではありませんが、場合によっては最終的なラインナップを改善することがあります。
Q: オーバーライドの目的は何ですか?
A: セクションのオーバーライド機能は、ブリッジパースペクティブから複雑なユースケースを想定して実装されています。以下にいくつか例を挙げます。
- ユーティリティ関数が設定ファイルにアクセスしたり、データベーステーブルから値(テーブルやカラム名など)を取得してさらに処理する場合は、オーバーライドする必要があります。
- ファンクションは、条件やループの中でデータフローを変更します。ブリッジはスクリプトの宣言部分のみを処理するため、よりよい線形性を得るよう宣言的な方法でファンクションをオーバーライドしなければならないことがあります。
Q: Miscellaneousパラメーターの-pオプションにあるスクリプトのエントリーポイントとは何ですか?
A: Apache Sparkブリッジは、ネイティブのPythonまたはScalaエンジンを模倣して、スクリプトやモジュールなどの入力ファイルセットの処理を開始する場所を見つけようとします。詳細は、以下をご覧ください: https://realpython.com/lessons/scripts-modules-packages-and-libraries/で見つかることがあります。たとえば、多数の関数を定義できますが、エントリーポイントがなければ、その関数はブリッジによってインポートされず、Pythonエンジンによって実行されません。このスクリプトを実行するには、Pythonの特別なエントリーポイント関数main()を定義するか、スクリプトから関数呼び出しを開始する必要があります。詳細は、以下をご覧ください: https://realpython.com/python-main-function/#a-basic-python-mainで見つかることがあります。別の方法として、当社のブリッジでは既存の一部のファンクションをエントリーポイントとして明示的に指定することもできます。
Q: ファイルが存在しない場合、新しいテンプレートの自動生成はどのように行われますか?
A: ブリッジを実行し、存在しないファイルパスを使用して、[Miscellaneous] (その他)パラメーターの下に-pオプションを指定することができます。ブリッジは、この存在しないファイルからの読み取りを試行し、カスタマイズするための新しいテンプレートの生成に進み、その後、フォローアップインポートを実行します。
制限事項
現在判明している一般的な制限事項は、MIMB Known Limitationsか、バンドルされているDocumentation/ReadMe/MIMBKnownLimitations.htmlをご覧ください
サポート
トラブルシューティングパッケージを次の項目と共に提供してください。
- デバッグログ(UIまたはconf/conf.propertiesでMIR_LOG_LEVEL=6を使って設定可能)
- 利用できる場合はメタデータバックアップ(技術的理由によりこの共通オプションが実装されていないブリッジがあるものの、Miscellaneousパラメーターで-backupオプションを使って設定可能)
ブリッジパラメーター
| パラメーター名 | 説明 | タイプ | 値 | デフォルト | 範囲 | ||
| ディレクトリー | インポートするコードを含むテキストファイルのあるディレクトリーを選択します。 | DIRECTORY | 必須 | ||||
| Code Language | 言語を選択します。 | ENUMERATED |
|
PYTHON | |||
| Directory Filter | サブディレクトリーの検索フィルターを指定します。必要であればJava形式の正規表現を使用します(例: '.*_script')。スペースを区切り文字として使う(例: 'directory1 directory2')ことで、複数の条件を定義できます。条件の中にスペースがある場合(例: \"my directory\")は、二重引用符でエスケープする必要があります。否定は先頭にダッシュを付けて定義します(例: '-bin')。 | STRING | |||||
| ファイル Filter | ファイルの検索フィルターを指定します。必要であればJava形式の正規表現を使用します(例: '.*\\.py')。スペースを区切り文字として使う(例: 'file1 file2')ことで、複数の条件を定義できます。条件の中にスペースがある場合(例: \"my file.py\")は、二重引用符でエスケープする必要があります。否定は先頭にダッシュを付けて定義します(例: '-\\.tar\\.gz')。 | STRING | |||||
| Miscellaneous | はじめに ダッシュで始まるMiscellaneousオプションを指定し、必要であればその後にパラメーターを追加できます。例: - connection.cast MyDatabase1="MICROSOFT SQL SERVER" 該当する場合は複数回使用できるオプションもあります。例: - connection.rename NewConnection1=OldConnection1 -connection.rename NewConnection2=OldConnection2; オプションのリストは長い文字列になるため、${MODEL_BRIDGE_HOME}\data\MIMB\parametersにあり拡張子が.txtであるファイルからロードすることもできます。その場合、オプションはすべて、このパラメーターの唯一の値としてそのファイル内で定義されることが必要です。例: ETL/Miscellaneous.txt JAVA環境のオプション -java.memory <Javaメモリの最大サイズ> (以前の-m) 64ビットJREではデフォルトで1G、またはconf/conf.properties内の設定に従います。例: -java.memory 8G -java.memory 8000M -java.parameters <Javaランタイム環境コマンドラインオプション> (以前の-j) -java.parameters -Dname=value -Xms1G のように、-java.parametersの後ろのテキストはすべてそのままJREに渡されるため、このオプションはMiscellaneousパラメーター内の最後に来る必要があります。インターネットへのアクセスにプロキシを使用している場合は、必要なサードパーティのソフトウェアライブラリーをダウンロードできるよう、次のオプションを設定する必要があります(このオプションはhttps://repo.maven.apache.org/maven2/にアクセスするため、そして例外的にいくつかの他のツールサイトにアクセスするために不可欠です)。 注: プロキシは、(会社の)外部トラフィックをHTTPSで暗号化しながら、HTTPでプロキシにアクセスできる内部トラフィックを信頼しているものがほとんどです。この場合、HTTPSリクエストはHTTPでプロキシに到達し、プロキシはそれをHTTPSで暗号化します。 -java.parameters -java.parameters -Dhttp.proxyHost=127.0.0.1 -Dhttp.proxyPort=3128 -Dhttp.proxyUser=user -Dhttp.proxyPassword=pass モデルインポートのオプション -model.name <モデル名> モデル名をオーバーライドをオーバーライドします。例: -model.name "My Model Name" -prescript <スクリプト名> このオプションによって、ブリッジの実行前にスクリプトを実行できるようになります。 スクリプトはbinディレクトリー(またはconf/conf.propertiesのM_SCRIPT_PATHで指定)にあり、拡張子が.batか.shであることが必要です。 スクリプトのパスに親ディレクトリーの記号( .. )を含めることはできません。 スクリプトは、成功した場合は終了コードである0を、失敗した場合は別の値を返します。 例: -prescript "script.bat arg1 arg2" -postscript <スクリプト名> このオプションによって、ブリッジが正しく実行された後にスクリプトを実行できるようになります。 スクリプトはbinディレクトリー(またはconf/conf.propertiesのM_SCRIPT_PATHで指定)にあり、拡張子が.batか.shであることが必要です。 スクリプトのパスに親ディレクトリーの記号( .. )を含めることはできません。 スクリプトは、成功した場合は終了コードである0を、失敗した場合は別の値を返します。 例: -postscript "script.bat arg1 arg2" -cache.clear インポート前にキャッシュをクリアするため、増分収集せずにフルインポートを実行します。 モデルが変更されず、-cache.clearパラメーターが使われていない場合(増分収集)、新しいバージョンは作成されません。 モデルが変更されず、-cache.clearパラメーターが設定されている場合(増分ではなくフルソースインポート)、新しいバージョンが作成されます。 -backup <directory> このオプションによってブリッジ入力メタデータを保存すれば、将来のトラブルシューティングで活用できます。指定された<directory>は空であることが必要です。 このオプションの主な用途は、データストアインポートブリッジ(特にJDBCベースのデータベースインポートブリッジ)です。 なお、このオプションは次のようなブリッジでは動作しません。 - ファイルベースのインポートブリッジ(入力ファイルで代用可能なため) - DI/BIリポジトリーインポートブリッジ(ツールのリポジトリーネイティブバックアップで代用可能なため) - APIベース(COMベースなど)による一部のインポートブリッジ(技術的な理由のため) データ接続オプション 使用するソースとターゲットのデータストアを参照するよう、通常はETL/DIツールとBIツールのインポートブリッジによってデータ接続が生成されます。これらのデータ接続はメタデータ管理ツールによって実際のデータストア(データベースやファイルシステムなど)への接続(メタデータスティッチング)に使われ、完全なエンドツーエンドのデータフローの来歴とインパクト分析が行われます。各データ接続の名前はインポートモデルごとに一意です。DI/BIデザインツールで使われているデータ接続名を可能な限り使用します。そうでない場合は、データベース/スキーマ名、ファイルシステムのパス、Uniform Resource Identifier (URI)など、短くても意味のある接続名が生成されます。次のオプションを使えば、接続を操作できます。これらのオプションによって、レガシーオプションである-c、-cd、-csが置き換えられます。 -connection.cast ConnectionName=ConnectionType SQL解析のためにジェネリックデータベース接続(ODBCやJDBCなど)を正確なデータベースタイプ(ORACLEなど)にキャストします。例: -connection.cast "My Database"="MICROSOFT SQL SERVER" サポートされているデータストア接続タイプのリストは次のとおりです。 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 既存の接続を新しい名前に変更します。例: -connection.rename OldConnectionName=NewConnectionName 既存の複数のデータベース接続の名前を変更し、新しい1つのデータベース接続に統合できます。例: -connection.rename MySchema1=MyDatabase -connection.rename MySchema2=MyDatabase -connection.split oldConnection.Schema1=newConnection データベース接続を1つまたは複数のデータベース接続に分割します。 1つのデータベース接続をスキーマごとの1つの接続に分割できます。例: -connection.split MyDatabase すべてのデータベース接続をスキーマごとの1つの接続に分割できます。例: -connection.split * データベースにスキーマ名を追加することで、データベース接続を明示的に分割し、新しいデータベース接続を作成できます。例: -connection.split MyDatabase.schema1=MySchema1 -connection.map SourcePath=DestinationPath ソースパスをデスティネーションパスにマッピングします。これは、異なるパスが同じオブジェクト(ディレクトリーまたはファイル)をポイントしている場合にファイルシステム接続にとって便利です。 Hadoopでは、あるプロセスがHDFSの完全パスで指定されたCSVファイルに書き込む一方、別のプロセスが、デフォルトのファイル名と拡張子を持つ相対パスで指定されている同じファイルによって実装されたHiveテーブル(外部)から読み取ります。例: -connection.map /user1/folder=hdfs://host:8020/users/user1/folder/file.csv Linuxでは、/users/johnや/users/paulといった複数のシンボリックリンクによって、/dataのような特定のディレクトリー(またはファイル)が参照されます。例: -connection.map /data=/users/John -connection.map /data=/users/paul Windowsでは、M:やN:といった複数のネットワークドライブによって、C:\dataのような特定のディレクトリーが参照されます。例: -connection.map C:\data=M:\ -connection.map C:\data=N:\ -connection.casesensitive ConnectionName 検出されたデータストアのタイプがこの設定(Microsoft SQL ServerやMySqlなど)をサポートしている場合は、指定された接続内のオブジェクト識別子に対し、大文字と小文字を区別しないデフォルトのマッチングルールがオーバーライドされます。例: -connection.casesensitive "My Database" -connection.level AggregationLevel 外部接続の集計レベルを指定します。例: -connection.level catalog サポートされている値のリスト: server catalog schema (デフォルト) ETLのオプション これらのオプションは、以下の目的ですべてのETL/DIツールとスクリプティングインポートブリッジで利用できます: - SQL解析をすべて処理する - デザインモデルとランタイム変数からランタイムモデルをビルドする - ランタイムサマリー来歴を計算する -etl.summary.add.ultimate (以前の-ppus) 最終的なランタイム来歴サマリーを追加します(非常に大きなモデルが生成される可能性があります)。 -etl.summary.only.ultimate (以前の-ppsp) 最終的なランタイム来歴サマリーのみ生成します(非常に大きなモデルが生成される可能性があります)。 -etl.connections.add.internal.design (以前の-pppd) 内部ETLデザインデータコネクター(ETL変換に必要)を追加します。 -etl.connections.remove.input (以前の-ri) 生成されるモデルのサイズ縮小のため、入力(ソース)データ接続をすべて削除します。 -etl.transformations.enable.xml このオプションによって、DI/ETLインポートブリッジ(Informatica PowerCenter、Informatica Developer、Microsoft SSIS、IBM DataStage、Talend Data Integration など)でのXML変換の解析とサポートが有効になります。 Informaticaの場合、そのようなXML変換は次のPowerCenterの機能に相当します。 https://docs.informatica.com/data-integration/powercenter/10-5/xml-guide/midstream-xml-transformations.html https://docs.informatica.com/data-integration/powercenter/10-5/xml-guide/xml-source-qualifier-transformation.html ただし、このオプションはインポートの速度を著しく低下させる可能性がありますのでご注意ください。 APACHE SPARKのオプション -e <エンコーディング> この値は、指定したスクリプトファイルからテキストをロードするために使われます。デフォルトではUTF-8が使われます。例: -e UTF-16 -e UTF-16BE -e US-ASCII -p <パス名> 解析するスクリプトの全エントリーポイントとその入力パラメーターを定義するYAMLファイルへのフルパス。ファイルが存在しない場合は新しいテンプレートが自動的に生成されます。スペースが含まれているパスをエスケープするため、二重引用符を使います。 |
STRING |
ブリッジのマッピング
マッピング情報は利用できません