Propriétés du tJDBCInput pour Apache Spark Batch - Cloud

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

Le composant tJDBCInput Spark Batch appartient à la famille Bases de données.

Ce composant vous permet également de vous connecter à une base de données RDS MariaDB, RDS PostgreSQL ou RDS SQLServer et d'en lire des données.

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

Basic settings

Property type	Peut être Built-In ou Repository.
	Built-In : aucune propriété n'est stockée de manière centrale.
	Repository : Sélectionnez le fichier dans lequel sont stockées les propriétés du composant.
Use an existing connection	Cochez cette case et sélectionnez le composant de connexion adéquat dans la liste Component list pour réutiliser les paramètres d'une connexion que vous avez déjà définie.
URL JDBC	URL JDBC de la base de données à utiliser. Par exemple, l'URL JDBC de la base de données Amazon Redshift est `jdbc:redshift://endpoint:port/database`. Si vous utilisez Spark V1.3, cette URL doit contenir les informations d'authentification, notamment : jdbc:mysql://XX.XX.XX.XX:3306/Talend?user=ychen&password=talend
Jar du pilote	Renseignez cette table pour charger les pilotes Jar requis. Pour ce faire, cliquez sur le bouton [+], sous la table, pour ajouter autant de lignes que nécessaire, chaque ligne pour un Jar de pilote. Sélectionnez la cellule et cliquez sur le bouton [...] à droite de la cellule pour ouvrir la boîte de dialogue Module, dans laquelle vous pouvez sélectionner le Jar du pilote à utiliser. Par exemple, le pilote Jar `RedshiftJDBC41-1.1.13.1013.jar` pour la base de données Redshift. Pour plus d'informations, consultez Importer un pilote de base de données.
Nom de la classe	Saisissez entre guillemets doubles le nom de la classe pour le pilote spécifié. Par exemple, pour le pilote `RedshiftJDBC41-1.1.13.1013.jar`, le nom à saisir est `com.amazon.redshift.jdbc41.Driver`.
Username et Password	Saisissez les informations d'authentification de la base de données à laquelle vous devez vous connecter. Pour saisir le mot de passe, cliquez sur le bouton [...] à côté du champ Password, puis, dans la boîte de dialogue qui s'ouvre, saisissez le mot de passe entre guillemets doubles et cliquez sur OK afin de sauvegarder les paramètres. Disponible à partir de la version 1.4 de Spark.
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. Ce composant offre la fonction de schéma dynamique. Cela vous permet de récupérer des colonnes inconnues de fichiers sources ou de copier des lots de colonnes d'une source sans avoir à mapper chaque colonne individuellement. Pour plus d'informations concernant les schémas dynamiques, consultez Schéma dynamique. Cette fonctionnalité de schéma dynamique est conçue pour permettre de récupérer des colonnes inconnues d'une table. Il est recommandé de l'utiliser uniquement à cet effet et non pour créer des tables.
	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.
	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.
Table name	Saisissez le nom de la table de laquelle lire les données. Ce champ est disponible uniquement lorsque vous sélectionnez Table dans la liste déroulante Read from.
Read from	Sélectionnez le type de source des données à lire. Table : le tJDBCInput lit les données de la table spécifiée dans le champ Table name. Query : le tJDBCInput lit le résultat de la requête saisie dans le champ Query.
Query Type et Query	Saisissez votre requête de base de données en faisant attention à ce que l'ordre des champs corresponde à celui défini dans le schéma. Si vous utilisez Spark V2.0 ou une version supérieure, Spark SQL ne reconnaît plus le préfixe d'une table de base de données. Cela signifie que vous devez saisir uniquement le nom de la table, sans ajouter de préfixe indiquant par exemple le schéma auquel cette table appartient. Par exemple, si vous devez effectuer une requête sur une table system.mytable, pour laquelle le préfixe system indique le schéma auquel appartient la table mytable. Dans la requête, vous devez saisir uniquement mytable. Vous pouvez utiliser un pushdown de prédicat dans la erquête pour filtrer les données de la base de données. Spark supporte les opérateurs suivants : `Filter` `Limit` Ces champs sont disponibles uniquement lorsque vous sélectionnez Query dans la liste déroulante Read from.
Guess Query	Cliquez sur le bouton Guess Query afin de générer la requête correspondant à votre schéma de table dans le champ Query.
Guess schema	Cliquez sur le bouton Guess schema pour récupérer le schéma de la table.

Advanced settings

Additional JDBC Parameters	Définissez des propriétés de connexion supplémentaires pour la connexion à la base de données que vous créez. Les propriétés sont séparées par un point-virgule et chaque propriété est une paire clé-valeur. Par exemple, encryption=1;clientname=Talend. Ce champ n'est pas disponible si la case Use an existing connection est cochée.
Spark SQL JDBC parameters	Ajoutez les propriétés JDBC supportées par Spark SQL à cette table. Pour une liste de propriétés configurables par l'utilisateur ou l'utilisatrice, consultez JDBC to other database (en anglais). Ce composant paramètre automatiquement les propriétés url, dbtable et driver en utilisant la configuration dans l'onglet Basic settings.
Trim all the String/Char columns	Cochez cette case pour supprimer les espaces en début et en fin de champ dans toutes les colonnes de type String/Char.
Trim columns	Cette table est automatiquement renseignée avec le schéma utilisé. Cochez la (les) case(s) correspondant à la (aux) colonne(s) dont vous souhaitez supprimer les espaces en début et en fin de champ.
Enable partitioning	Cochez la case pour lire les données en partitions. Définissez, entre guillemets doubles, les paramètres suivants afin de configurer le partitionnement : Partition column : la colonne numérique utilisée comme clé de partition. Lower bound of the partition stride et Upper bound of the partition stride : renseignez les champs upper bound (limite haute) et lower bound (limite inférieure) afin de paramétrer la plage de clé de partition. Ces limites ne filtrent pas les lignes de table. Toutes les lignes de la table sont partitionnées et retournées. Number of partitions : nombre de partitions dans lesquelles les lignes de table sont séparées. Chaque worker Spark gère une seule partition à la fois. La taille moyenne des partitions est le résultat de la différence entre la limite supérieure et la limite inférieure divisée par le nombre de partitions, c'est-à-dire (upperBound - lowerBound)/partitionNumber, alors que les premières et les dernières partitions incluent également toutes les autres lignes qui ne sont pas contenues dans les autres partitions. Par exemple, pour partitionner 1 000 lignes en 4 partitions, si vous saisissez 0 comme limite inférieure et 1 000 comme limite haute, chaque partition devra contenir 250 lignes approximativement afin que le partitionnement soit égal. Si vous saisissez 250 pour la limite inférieure et 750 pour la limite supérieure, la deuxième et la troisième partition contiendront chacune 125 lignes et la première et la dernière partition, 375 lignes respectivement. Dans cette configuration, le partitionnement est asymétrique.

Utilisation

Règle d'utilisation	Ce composant est utilisé en tant que composant de début et nécessite un lien de sortie. Ce composant nécessite un composant tJDBCConfiguration présent dans le même Job pour se connecter à une base de données. Vous devez déposer un composant tJDBCConfiguration à côté de ce composant et configurer ses propriétés dans l'onglet Basic settings de ce composant pour utiliser le tJDBCConfiguration. 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 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.

Règle d'utilisation

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

Ce composant nécessite un composant tJDBCConfiguration présent dans le même Job pour se connecter à une base de données. Vous devez déposer un composant tJDBCConfiguration à côté de ce composant et configurer ses propriétés dans l'onglet Basic settings de ce composant pour utiliser le tJDBCConfiguration.

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 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.