Propriétés du tStandardizeRow pour Apache Spark Streaming - 7.3

Standardisation

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 Data Quality > Composants de standardisation
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de standardisation
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de standardisation
Last publication date
2024-02-22

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

Le composant tStandardizeRow Spark Streaming appartient à la famille Qualité de données.

Ce composant est disponible dans Talend Real Time Big Data Platform 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.

 

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.

Column to parse

Sélectionnez la colonne à analyser à partir du flux de données reçu

Standardize this field

Cochez cette case pour standardiser les données identifiées comme conformes à la règle, c'est-à-dire remplacer les doublons de données identifiés par les données standardisées correspondantes à partir d'un index donné.

Pour plus d'informations concernant l'index fournissant ces données standardisées, consultez tSynonymOutput.

Chaque fois que vous cochez ou décochez cette case, le schéma de ce composant est modifié automatiquement. De ce fait, dans un Job donné, vous devez cliquer sur le bouton Sync columns afin de régler les problèmes d'incohérence du schéma.

Generate analyzer code as routine

Cliquez sur ce bouton pour permettre à l'analyseur de données de votre Studio de reconnaître les règles définies dans la table Conversion rules.

Dans un Job donné, lorsqu'une règle est créée, cette opération est nécessaire pour son exécution. En revanche, si une simple modification est effectuée sur la règle existante, cette opération est nécessaire uniquement lorsque la règle modifiée est de type Enumeration, Format ou Combination. Pour plus d'informations concernant les types de règles, consultez Types de règles

et

Cliquez sur le bouton d'import ou d'export pour sélectionner une règle donnée de standardisation depuis le DQ Repository.

- Lorsque vous cliquez sur le bouton d'export, votre Studio passe en perspective Profiling et la vue Parser rule Settings s'ouvre dans l'espace de travail avec son contenu automatiquement renseigné. Si nécessaire, vous pouvez modifier la règle exportée et la sauvegarder dans le dossier Libraries > Rules > Parser de la vue DQ Repository.

- Lorsque vous cliquez sur le bouton d'import, un assistant d'import s'ouvre et vous permet d'importer la règle de standardisation souhaitée.

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

Conversion rules

Complétez ce tableau pour définir les règles que vous souhaitez appliquer.

- Name : dans cette colonne, saisissez le nom de la règle que vous souhaitez utiliser. Ce nom est utilisé comme nom balise pour les données de sortie en XML ou attribut JSON et comme nom de segment pour étiqueter les données d'entrée identifiées par cette règle.

- Type : dans cette colonne, sélectionnez le type de la règle que vous souhaitez appliquer. Pour plus d'informations concernant les types de règles disponibles, consultez Types de règles.

- Value : dans cette colonne, saisissez la syntaxe de la règle.

- Search mode  : dans cette colonne, sélectionnez un mode de recherche dans la liste. Les modes de recherche peuvent être uniquement utilisés avec le type de règle Index. Pour plus d'informations concernant les modes de recherche disponibles, consultez Modes de recherche pour les règles d'Index.

Une vue de test est fournie pour vous permettre de créer les analyseurs syntaxiques qui vous intéressent. Pour plus d'informations, consultez le Guide d'utilisation du Studio Talend.

Advanced settings

Advanced options for INDEX rules

- Search UNDEFINED fields : cochez cette case si vous souhaitez que le composant recherche des jetons indéfinis dans les résultats de l'exécution de l'index.

- Word distance for partial match (disponible pour le mode Match partial) : définissez le nombre maximal de mots autorisés dans une séquence de mots pouvant être trouvée dans l'index. La valeur par défaut est 1.

- Max edits for fuzzy match (basé sur l'algorithme de Levenshtein et disponibles pour les modes Fuzzy) : sélectionnez une distance de modification, 1 ou 2, dans la liste. Tout terme au sein de la distance de modification depuis les données d'entrée est mis en correspondance. Avec une distance maximale de modification de 2, par exemple, vous pouvez effectuer 2 insertions, suppressions ou substitutions. Le score de chaque rapprochement se base sur la distance de modification de ce terme.

Les performances du rapprochement flou sont nettement améliorées avec l’option Max edits for fuzzy match.

Remarque :

Les Jobs migrés dans le Studio depuis d'anciennes versions s'exécutent correctement, mais les résultats peuvent être légèrement différents, car l'option Max edits for fuzzy match est utilisée à la place de l'option Minimum similarity for fuzzy match.

Output format

-XML : cette option est sélectionnée par défaut. Elle écrit en sortie des données normalisées au format XML.

-JSON : sélectionnez cette option pour écrire les données normalisées au format JSON.

Utilisation

Règle d'utilisation

Ce composant, ainsi que les composants Spark Streaming de la Palette à laquelle il appartient, s'affichent uniquement lorsque vous créez un Job Spark Streaming.

Ce composant est utilisé comme étape intermédiaire.

Vous devez utiliser l'onglet Spark Configuration dans la vue Run afin de définir la connexion à un cluster Spark donné pour le Job entier.

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

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

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.

Connections

Liens de sortie (de ce composant à un autre) :

Row : Main, Reject.

Liens d'entrée (d'un autre composant à celui-ci) :

Row : Main, Reject.

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

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.