Apache Spark StreamingのtFlumeInputプロパティ - Cloud

非推奨

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に属しています。

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で利用できます。

基本設定

[Host] (ホスト)と[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をご覧ください。
[Schema] (スキーマ)と[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に対してのみスキーマを作成し、ローカルに保管します。 [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。

[Host] (ホスト)と[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をご覧ください。

[Schema] (スキーマ)と[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に対してのみスキーマを作成し、ローカルに保管します。

[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。

[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の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、このドキュメンテーションのシナリオでは、標準ジョブ、つまり従来の Talend Data Integration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。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やtS3Configurationなど、クラスターで使わ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ご覧ください。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)をご覧ください。

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の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、このドキュメンテーションのシナリオでは、標準ジョブ、つまり従来の Talend Data Integration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。
- 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やtS3Configurationなど、クラスターで使わ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ご覧ください。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)をご覧ください。