Apache Spark StreamingのtFlumeInputプロパティ - 7.2

Flume

Version
7.2
Language
日本語 (日本)
Product
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 > メッセージングコンポーネント > Flume
データガバナンス > サードパーティーシステム > メッセージングコンポーネント > Flume
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 > メッセージングコンポーネント > Flume

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

Spark Streaming tFlumeInputコンポーネントはメッセージングファミリーのコンポーネントです。

このコンポーネントのストリーミングバージョンは、Talend Real Time Big Data PlatformおよびTalend Data Fabricで使用できます。

基本設定

[Host] (ホスト)[Port] (ポート)

Flumeからデータを受信するためのシンク(Flumeエージェントのチャネルにバインドされたデータ出力ポイント)として使われるマシンのホスト名とポートを入力します。

  • [Type] (タイプ)ドロップダウンリストから[As Receiver] (受信者として)を選択する場合、このマシンはSparkワーカーが実行されるマシンの1つである必要があり、ホスト名は、使うSparkクラスターのリソースマネージャーで使われるものと同じである必要があります。

  • [Type] (タイプ)ドロップダウンリストから[As Sink] (シンクとして)を選択した場合、このマシンはFlumeエージェントのシンクで、Sparkクラスターにアクセスできる必要があります。

[Type] (タイプ)

Flumeからデータを読み取る方法を選択します。

  • [As Receiver] (レシーバーとして): これは、Flumeで一般的に採用されているプッシュベースのアプローチです。このアプローチでは、Sparkクラスターのマシンがエージェントとしてセットアップされ、Flumeによってプッシュされたデータを受信します。ユーザーが設計しているSpark Streamingジョブは、このエージェントからデータを読み取ります。

  • [As Sink] (シンクとして): これはプルベースのアプローチです。このアプローチでは、マシンはシンクとしてセットアップされ、Flumeによってプッシュされたデータをバッファーし、ユーザーが設計しているSpark Streamingジョブがこのシンクからデータをプルします。

これら2つのアプローチの詳細は、https://spark.apache.org/docs/1.3.1/streaming-flume-integration.htmlを参照してください。

[Schema] (スキーマ)[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。

[Built-in] (組み込み): そのコンポーネントのみのスキーマを作成して、ローカルに保存します。

[Repository] (リポジトリー): スキーマは作成済みで、リポジトリーに保管されています。さまざまなプロジェクトやジョブデザインで再利用できます。

この読み取り専用lineカラムはtFlumeInputによって使われ、入力Flumeイベントの本体を自動的に抽出し、同じイベントのヘッダーを保管するために使われる他のカラムとともにRDDを構築します。

詳細設定

[Encoding] (エンコーディング)

リストからエンコーディングを選択するか、[CUSTOM] (カスタム)を選択して、手動で定義します。

このエンコーディングは、tFlumeInputが入力イベント配列をデコードするために使います。

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。

ランタイムにtFlumeInputコンポーネントはシンクをリッスンし続け、このシンクにバッファーリングされると新しいイベントを読み取ります。

このコンポーネントは、所属するSpark Streamingコンポーネントのパレットと共に、Spark Streaming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。

制限事項

ライセンスの互換性の問題のため、このコンポーネントの使用に必要な1つ以上のJARが提供されていません。この特定のコンポーネントに不足しているJARをインストールするには、Component (コンポーネント)タブビューの[Install] (インストール)ボタンをクリックします。Studioの Integration パースペクティブの[Modules] (モジュール)タブでも、不足しているすべてのJARを簡単に見つけて追加できます。詳細は、外部モジュールのインストールを参照してください。外部モジュールをインストールする方法の詳細は、Talend Help Center (https://help.talend.com)を参照してください。