Apache Spark BatchのtElasticSearchInputプロパティ - 7.2

ElasticSearch

Version
7.2
Language
日本語 (日本)
Product
Talend Big Data
Talend Big Data Platform
Talend Data Fabric
Talend Real-Time Big Data Platform
Module
Talend Studio
Content
ジョブデザインと開発 > サードパーティーシステム > ElasticSearchコンポーネント
データガバナンス > サードパーティーシステム > ElasticSearchコンポーネント
データクオリティとプレパレーション > サードパーティーシステム > ElasticSearchコンポーネント

このプロパティはSpark Batchジョブフレームワークで実行されているtElasticSearchInputを設定するために使います。

Spark Batch tElasticSearchInputコンポーネントは、ElasticSearchファミリーのコンポーネントです。

このコンポーネントは、ビッグデータ対応のTalend 製品すべて、およびTalend Data Fabricで使用できます。

基本設定

Schema (スキーマ)およびEdit schema (スキーマを編集)

スキーマとは行の説明のことです。処理して次のコンポーネントに渡すフィールド(カラム)数を定義します。Sparkジョブを作成する場合、フィールドの命名時は予約語のlineを避けます。

このコンポーネントによって出力されるデータのスキーマ、id_documentjson_documentは読み取り専用です。json_documentカラムには、ElasticSearchから読み取られたドキュメントの本文が含まれます。このjson_documentカラムからデータを探索する必要がある場合は、tExtractJSONFieldsを使って、使用するデータを抽出する必要があります。

[Use an existing configuration] (既存の設定を使用)

定義済みの接続の詳細を再利用するには、このチェックボックスをオンにして、[Component List] (コンポーネントリスト)で該当する接続コンポーネントをクリックします。

[Nodes] (ノード)

使用するElasticSearchシステムをホストしているクラスターのロケーションを入力します。

Index

ドキュメントの読み取り先とするインデックスの名前を入力します。

インデックスは、Elastisearchシステム内のストレージにおける最大のユニットです。

Type (タイプ)

読み込むドキュメントが属するタイプの名前を入力します。

たとえば、blogpost_enblogpost_frをそれぞれ、指定された英語のブログ投稿とフランス語のブログ投稿を表す2つのタイプにできます。

ドキュメントタイプとする指定カラムの値を動的に使うことができます。そうする必要がある場合は、そのカラムの名前を波かっこ({})内に入力します(例: {blog_author})。

クエリー

このコンポーネントによって実行するElasticSearchクエリーを入力します。

クエリーを編集する際に、ElasticSearchによって要求される構文とJavaによって要求されるエスケープ文字を使い、クエリーを二重引用符で囲む必要があります。

たとえば、ElasticSearchドキュメンテーションでは、クエリーの一例は次のようになります。
es.query = { "query" : { "term" : { "user" : "costinl" } } }
この[Query] (クエリー)フィールドには、同じクエリーを次のように書き込む必要があります。
"{ \"query\" : { \"term\" : {\"user\" : \"costinl\" } } }"

詳細設定

SSL/TLSの使用

SSLまたはTLS暗号化接続を有効にする場合は、このチェックボックスをオンにします。

次に、同じジョブ内のtSetKeystoreコンポーネントを使用して暗号化情報を指定する必要があります。

設定

アクションをさらにカスタマイズするには、Elasticsearchで受け入れられているパラメーターを追加します。

たとえば、es.mapping.id[Key] (キー)カラムに、true[Value] (値)カラムに入力して、ドキュメントのフィールド/プロパティ名がドキュメントIDを含むようにします。入力する情報は二重引用符で囲む必要があります。

使えるパラメーターのリストは、https://www.elastic.co/guide/en/elasticsearch/hadoop/master/configuration.htmlを参照してください。

使用方法

使用ルール

このコンポーネントは開始コンポーネントとして使用され、出力リンクを必要とします。

tElasticSearchConfigurationコンポーネントを同じジョブにドロップして、ElasticSearchに接続します。次に、[Use an existing configuration] (既存の設定を使う)チェックボックスをオンにして、使用するtElasticSearchConfigurationコンポーネントを選択する必要があります。
  • Sparkジョブ用のTalendコンポーネントは、バージョン6.4.2までのElasticsearchをサポートしています。

このコンポーネントは、所属するSpark Batchコンポーネントのパレットと共に、Spark Batchジョブを作成している場合にだけ表示されます。

特に明記していない限り、このドキュメントのシナリオでは、[Standard] (標準)ジョブ、つまり従来の Talend データ統合ジョブだけを扱います。

[Spark Connection] (Spark接続)

[Run] (実行)ビューの[Spark Configuration] (Spark設定)タブで、ジョブ全体でのSparkクラスターへの接続を定義します。また、ジョブでは、依存jarファイルを実行することを想定しているため、Sparkがこれらのjarファイルにアクセスできるように、これらのファイルの転送先にするファイルシステム内のディレクトリーを指定する必要があります。
  • Yarnモード(YarnクライアントまたはYarnクラスター):
    • Google Dataprocを使用している場合、[Spark configuration] (Spark設定)タブの[Google Storage staging bucket] (Google Storageステージングバケット)フィールドにバケットを指定します。

    • HDInsightを使用している場合、[Spark configuration] (Spark設定)タブの[Windows Azure Storage configuration] (Windows Azure Storage設定)エリアでジョブのデプロイメントに使用するブロブを指定します。

    • Altusを使用する場合は、[Spark configuration] (Spark設定)タブでジョブのデプロイにS3バケットまたはAzure Data Lake Storageを指定します。
    • Quboleを使用する場合は、ジョブにtS3Configurationを追加し、QuboleでS3システム内に実際のビジネスデータを書き込みます。tS3Configurationを使用しないと、このビジネスデータはQubole HDFSシステムに書き込まれ、クラスターをシャットダウンすると破棄されます。
    • オンプレミスのディストリビューションを使用する場合は、クラスターで使用されているファイルシステムに対応する設定コンポーネントを使用します。一般的に、このシステムはHDFSになるため、tHDFSConfigurationを使用します。

  • [Standalone mode] (スタンドアロンモード): tHDFSConfigurationまたはtS3Configurationなど、クラスターで使用されているファイルシステムに対応する設定コンポーネントを使用します。

    ジョブ内に設定コンポーネントがない状態でDatabricksを使用している場合、ビジネスデータはDBFS (Databricks Filesystem)に直接書き込まれます。

この接続は、ジョブごとに有効になります。