Propriétés du tPubSubInputAvro pour Apache Spark Streaming - Cloud - 8.0

Google PubSub

Version
Cloud
8.0
Language
Français
Product
Talend Data Fabric
Talend Real-Time Big Data Platform
Module
Studio Talend
Content
Création et développement > Systèmes tiers > Stockages Cloud > Composants Google > Composants Google PubSub
Gouvernance de données > Systèmes tiers > Stockages Cloud > Composants Google > Composants Google PubSub
Qualité et préparation de données > Systèmes tiers > Stockages Cloud > Composants Google > Composants Google PubSub

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

Le composant Spark Streaming tPubSubInputAvro appartient à la famille Messaging.

Si vous utilisez Dataproc 1.4 et supérieures comme cluster Spark, assurez-vous de cocher la case Allow API access to all Google Cloud services in the same project lors de la création du cluster sur Google Cloud Platform pour pouvoir exécuter PubService.

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

Paramètres simples

Define a Goolge Cloud configuration component

Si vous utilisez Dataproc comme votre cluster Spark, cochez cette case.

Sinon, cochez cette case pour permettre au composant Pub/Sub d'utiliser les informations de configuration de Google Cloud fournies par un composant tGoogleCloudConfiguration.

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.

Notez que le schéma défini ici doit correspondre exactement au schéma Avro binaire des messages reçus sur Pub/Sub. Pour vous en assurer, vous pouvez créer un autre Job Spark Streaming pour définir un schéma donné en utilisant le composant tWriteAvroFields et écrire des messages avec ce schéma via le composant tPubSubOutput.

Topic name

Saisissez le nom du topic à partir duquel vous souhaitez consommer les messages.

Subscription name

Saisissez le nom de la souscription qui doit consommer le topic spécifié.

Si la souscription existe, elle doit être connectée au topic en question ; si la souscription n'existe pas, elle doit être créée et connectée au topic en question lors de l'exécution.

Paramètres avancés

Niveau de stockage

Dans la liste déroulante Storage level affichée, sélectionnez comment stocker les RDD en cache, dans la mémoire uniquement, ou dans la mémoire et sur le disque.

Pour plus d'informations concernant chaque niveau de stockage, consultez https://spark.apache.org/docs/latest/programming-guide.html#rdd-persistence (en anglais).

Use hierarchical mode

Cochez cette case pour mapper le schéma binaire (y compris le schéma hiérarchique) Avro au schéma plat défini dans l'éditeur de schéma du composant. Si le message Avro à traiter est plat, laissez cette case décochée.

Une fois cochée, vous devez configurer le(s) paramètre(s) suivant(s) :

  • Local path to the avro schema : parcourez jusqu'au fichier définissant le schéma de données Avro à traiter.

  • Mapping : créez le mapping entre les colonnes du schéma du composant courant et les données stockées dans le message hiérarchique Avro à gérer. Dans la colonne Node, vous devez saisir le chemin d'accès à JSON pointant vers les données à lire du message Avro.

Utilisation

Usage rule

Ce composant est utilisé en tant que composant de début et nécessite un lien de sortie.

Spark Connection

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 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 tHDFSConfiguration.

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

    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.

Autorisations d'accès à PubSub

Lorsque vous utilisez Pub/Sub avec un cluster Dataproc, assurez-vous que ce cluster possède les autorisations appropriées pour accéder au service Pub/Sub.

Pour cela, vous pouvez créer un cluster Dataproc en cochant la case Allow API access to all Google Cloud services dans le même projet, dans les options avancées sur Google Cloud Platform, ou via l'invite de commande, en assignant les portées explicitement (l'exemple suivant concerne un cluster de test à faible puissance) :
gcloud beta dataproc clusters create CLUSTER_ID \
    --zone europe-west1-b \
    --master-machine-type n1-standard-2 \
    --master-boot-disk-size 50 \
    --num-workers 2 \
    --worker-machine-type n1-standard-2 \
    --worker-boot-disk-size 50 \
    --scopes 'https://www.googleapis.com/auth/cloud-platform' \
    --project PROJECT_ID