Apache Spark BatchのtCompareColumnsプロパティ - 7.2

Natural Language Processing

Version
7.2
Language
日本語 (日本)
Product
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 > 自然言語処理
データガバナンス > サードパーティーシステム > 自然言語処理
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 > 自然言語処理

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tCompareColumnsを設定するために使います。

Spark Batch tCompareColumnsコンポーネントはNatural Language Processingファミリーのコンポーネントです。

このフレームワーク内のコンポーネントは、ビッグデータ対応のTalend Platform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)[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。

ジョブで接続されている先行コンポーネントからスキーマを取得するには、[Sync columns] (カラムの同期)をクリックします。

スキーマを変更するには[Edit schema] (スキーマを編集)をクリックします。現在のスキーマがリポジトリータイプの場合は、3つのオプションを使用できます。

  • [View schema] (スキーマの表示): スキーマのみを表示する場合は、このオプションを選択します。

  • [Change to built-in property] (組み込みのプロパティに変更): ローカルで変更を行うためにスキーマを組み込みに変更する場合は、このオプションを選択します。

  • [Update repository connection] (リポジトリー接続を更新): リポジトリーに保存されているスキーマに変更を加え、変更後にそのコンテンツをすべてのジョブにプロパゲートするかどうかを決める場合は、このオプションを選択します。変更を現在のジョブにのみ反映する場合は、変更後、[No] (いいえ)を選択し、[Repository Content] (リポジトリーのコンテンツ)ウィンドウで再びこのスキーマのメタデータを選択します。

[Comparison options] (比較オプション)テーブルで定義されたアルゴリズムに従って、必要な数のカラムを出力スキーマに追加します。
  • [Most similar in list (2 outputs)] (リスト内で最も類似(2出力))アルゴリズムの2カラム

  • [First letter corresponds (1 output)] (最初の文字が対応(1出力))アルゴリズムの2カラム

  • [Is substring (1 output)] (Is部分文字列(1出力))アルゴリズムの2カラム

 

[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。

[Comparison options] (比較オプション)

この表では、トークンを2つのカラムで比較するためのルールを設定します。

[Main column] (メインカラム)に指定されたカラムには、[Reference column] (参照カラム)の参照トークンと比較されるトークンが含まれています。

[Algorithms] (アルゴリズム)カラムで、各比較に使うアルゴリズムを選択します。

  • [Most similar in list (2 outputs)] (リストで最も類似(2出力): [Main column] (メインカラム)で指定されたカラムには、行ごとに1つのトークンが含まれています。[Reference column] (参照カラム)で指定されたカラムの各行には、1つのトークン、またはタブで区切られた複数のトークンを持つ1つの文字列を含めることができます。最初の出力は、[Main column] (メインカラム)のトークンと[Reference column] (参照カラム)のすべてのトークンの間の最大Jaro-Winkler距離です。2番目の出力は、[Reference column] (参照カラム)で最も類似したトークンです。

  • [First letter corresponds (1 output)] (最初の文字が対応(1出力)): [Main column] (メインカラム)[Reference column] (参照カラム)で指定されたカラムには、行ごとに1つのトークンが含まれています。出力では、2つのトークンの最初の文字が同じ場合、Tが返されます。異なる場合はFが返されます。

  • [Is substring (1 output)] (Is部分文字列(1出力)): [Main column] (メインカラム)[Reference column] (参照カラム)で指定されたカラムには、行ごとに1つのトークンが含まれています。出力では、[Main column] (メインカラム)のトークンが[Reference column] (参照カラム)のトークンの部分文字列である場合、Tが返されます。それ以外の場合は、Fが返されます。

[Output column(s)] (出力カラム): 比較結果を含むカラムを出力スキーマ内に指定します。

使用方法

使用ルール

このコンポーネントは中間ステップとして使用されます。

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。

[Spark Batch Connection] (Spark Batch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。