Propriétés du tAggregateRow pour Apache Spark Batch - 7.3

Traitement (Processing) (Intégration)

Version
7.3
Language
Français
Product
Talend Big Data
Talend Big Data Platform
Talend Data Fabric
Talend Data Integration
Talend Data Management Platform
Talend Data Services Platform
Talend ESB
Talend MDM Platform
Talend Real-Time Big Data Platform
Module
Studio Talend
Content
Création et développement > Systèmes tiers > Composants Processing (Intégration)
Gouvernance de données > Systèmes tiers > Composants Processing (Intégration)
Qualité et préparation de données > Systèmes tiers > Composants Processing (Intégration)
Last publication date
2024-03-05

Ces propriétés sont utilisées pour configurer le tAggregateRow s'exécutant dans le framework de Jobs Spark Batch.

Le composant tAggregateRow Spark Batch appartient à la famille Processus en cours.

Le composant de ce framework est disponible dans tous les produits Talend avec Big Data et dans Talend Data Fabric.

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.

Créez le schéma en cliquant sur le bouton Edit Schema. Si le schéma est en mode Repository, trois options sont disponibles :

  • View schema : sélectionnez cette option afin de voir uniquement le schéma.

  • Change to built-in property : sélectionnez cette option pour passer le schéma en mode Built-In et effectuer des modifications locales.

  • Update repository connection : sélectionnez cette option afin de modifier le schéma stocké dans le référentiel et décider de propager ou non les modifications à tous les Jobs. Si vous souhaitez propager les modifications uniquement au Job courant, cliquez sur No et sélectionnez à nouveau la métadonnée du schéma dans la fenêtre Repository Content.

Conseil : Par défaut, lorsque Spark agrège des BigDecimal, la précision et l'échelle sont configurées aux valeurs maximales du type de données. Vous pouvez modifier léchelle et la précision pour le type BigDecimal dans les colonnes correspondantes du schéma.

 

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.

Group by

Définissez les ensembles d'agrégation, dont les valeurs sont utilisées pour les calculs.

 

Output Column : sélectionnez le libellé de colonne dans la liste fournie, basée sur la structure de schéma que vous avez définie. Vous pouvez ajouter autant de colonnes de sortie que vous le souhaitez, afin d'effectuer des agrégations plus précises.

Exemple : Sélectionnez Country (Pays) pour calculer la moyenne des valeurs pour chaque pays ou sélectionnez Country et Region pour comparer les résultats des régions d'un pays par rapport aux régions d'un autre pays.

 

Input Column : faites le lien entre les libellés des colonnes d'entrée et ceux des colonnes de sortie, dans le cas où vous souhaitez que les libellés du schéma de sortie soient différents du schéma d'entrée.

Operations

Sélectionnez le type d'opération et la valeur à utiliser pour le calcul et le champ de sortie.

 

Output Column : sélectionnez le champ de destination dans la liste.

 

Function : sélectionnez l'opérateur parmi :

  • count : calcule le nombre de ligne,

  • count (distinct) : compte le nombre de lignes sans les doublons,

  • min : sélectionne la plus petite valeur,

  • max : sélectionne la plus grande valeur,

  • avg : calcule la moyenne,

  • sum : calcule la somme,

  • population standard deviation : calcule l'étendue de la distribution des données. Utilisez cette fonction si les données à calculer sont considérées comme une population. Ce calcul supporte 39 décimales.
  • sample standard deviation : calcule l'étendue de la distribution des données. Utilisez cette fonction si les données à calculer sont considérées comme un échantillon d'une population plus importante. Ce calcul supporte 39 décimales.

Certaines fonctionnalités disponibles dans un Job ETL traditionnel, comme first ou last, ne sont pas disponibles dans les Jobs Spark, car ces fonctionnalités ne sont pas utiles dans un environnement distribué.

 

Input column : sélectionnez la colonne d'entrée à partir de laquelle les valeurs sont récupérées avant d'être agrégées.

 

Ignore null values : cochez cette case devant le nom de toutes les colonnes pour lesquelles vous voulez que les valeurs nulles soient ignorées.

Advanced settings

Use financial precision, this is the max precision for "sum" and "avg" operations, checked option heaps more memory and slower than unchecked.

Sélectionnez cette case pour utiliser la précision financière. C'est une précision maximale, mais qui consomme plus de mémoire et rend le processus plus lent.

Avertissement :

Il est conseillé d'utiliser le type BigDecimal en sortie avec cette option, afin d'obtenir des résultats précis.

Check type overflow (slower)

Vérifie les types des données afin d'éviter que le Job ne plante.

Check ULP (Unit in the Last Place), ensure that a value will be incremented or decremented correctly, only float and double types. (slower)

Cochez cette case afin d'avoir la meilleure précision possible pour les types Float et Double.

Utilisation

Règle d'utilisation

Ce composant est utilisé comme étape intermédiaire.

Ce composant, ainsi que la Palette Spark Batch à laquelle il appartient, ne s'affiche que lorsque vous créez un Job Spark Batch.

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.

Connexion à Spark

Dans l'onglet Spark Configuration de la vue Run, définissez la connexion à un cluster Spark donné pour le Job complet. De plus, puisque le Job attend ses fichiers .jar dépendants pour l'exécution, vous devez spécifier le répertoire du système de fichiers dans lequel ces fichiers .jar sont transférés afin que Spark puisse accéder à ces fichiers :
  • Yarn mode (Yarn Client ou Yarn Cluster) :
    • Lorsque vous utilisez Google Dataproc, spécifiez un bucket dans le champ Google Storage staging bucket de l'onglet Spark configuration.

    • Lorsque vous utilisez HDInsight, spécifiez le blob à utiliser pour le déploiement du Job, dans la zone Windows Azure Storage configuration de l'onglet Spark configuration.

    • Lorsque vous utilisez Altus, spécifiez le bucket S3 ou le stockage Azure Data Lake Storage (aperçu technique) pour le déploiement du Job, dans l'onglet Spark configuration.
    • Lorsque vous utilisez Qubole, ajoutez tS3Configuration à votre Job pour écrire vos données métier dans le système S3 avec Qubole. Sans tS3Configuration, ces données métier sont écrites dans le système Qubole HDFS et détruites une fois que vous arrêtez votre cluster.
    • Lorsque vous utilisez des distributions sur site (on-premises), utilisez le composant de configuration correspondant au système de fichiers utilisé par votre cluster. Généralement, ce système est HDFS et vous devez utiliser le tHDFSConfiguration.

  • Standalone mode : utilisez le composant de configuration correspondant au système de fichiers que votre cluster utilise, comme le tHDFSConfiguration Apache Spark Batch ou le tS3Configuration Apache Spark Batch.

    Si vous utilisez Databricks sans composant de configuration dans votre Job, vos données métier sont écrites directement dans DBFS (Databricks Filesystem).

Cette connexion fonctionne uniquement pour le Job dans lequel vous l'avez définie.