Ces propriétés sont utilisées pour configurer le tMatchIndexPredict s'exécutant dans le framework de Jobs Spark Batch.
Le composant tMatchIndexPredict Spark Batch appartient à la famille Data Quality.
Le composant de ce framework est disponible dans tous les produits Talend Platform avec Big Data et dans Talend Data Fabric.
Basic settings
Define a storage configuration component |
Sélectionnez le composant de configuration à utiliser pour fournir les informations de configuration pour la connexion au système de fichiers cible, comme HDFS. Si vous laissez cette case décochée, le système de fichiers cible est le système local. Le composant de configuration à utiliser doit se trouver dans le même Job. Par exemple, si vous avez ajouté un composant tHDFSConfiguration dans votre Job, vous pouvez le sélectionner pour écrire le résultat dans un système HDFS donné. |
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. Cliquez sur Sync columns pour récupérer le schéma du composant précédent dans le Job. Modifiez le schéma en cliquant sur Edit Schema. Si le schéma est en mode Repository, trois options sont disponibles :
Vous devez éditer le schéma de sortie manuellement afin d'ajouter les colonnes nécessaires qui contiendront les champs des données de référence. Le schéma de sortie de ce composant comporte une colonne en lecture seule : LABEL : utilisée uniquement avec le lien de sortie Possible matches. |
|
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. |
ElasticSearch configuration |
Nodes : saisissez l'emplacement du cluster hébergeant le système Elasticsearch à utiliser. Index : saisissez le nom de l'index ElasticSearch dans lequel les données de référence sont stockées. Notez que les composants Talend pour les Jobs Spark supportent les versions Elasticsearch jusqu'à la version 6.4.2. |
Models |
Pairing model folder : configurez le chemin d'accès au dossier contenant les fichiers de modèles générés par le tMatchPairing. Matching model location : sélectionnez dans la liste l'emplacement du fichier modèle généré par le Job de classification à l'aide du composant tMatchModel.
Matching model folder : configurez le chemin d'accès au dossier contenant les fichiers de modèles générés par le tMatchModel. No-match label : saisissez l'étiquette utilisée pour les enregistrements uniques écrits en sortie. Si vous souhaitez stocker le modèle dans un système de fichiers spécifique, par exemple S3 ou HDFS, vous devez utiliser le composant correspondant dans le Job et cocher la case Define a storage configuration component dans la vue Basic settings de ce composant. Le bouton pour parcourir votre système ne fonctionne pas en mode Local de Spark. Si vous utilisez le mode Yarn ou Standalone de Spark, assurez-vous d'avoir correctement configuré la connexion dans un composant de configuration au sein du même Job, comme le tHDFSConfiguration. |
Advanced settings
Maximum ElasticSearch bulk size |
Nombre maximal d'enregistrements pour le traitement par lots. Le tMatchIndexPredict utilise le mode bulk pour traiter les données, de façon à ce que de gros lots de données puissent être comparés rapidement aux données de références indexées dans ElasticSearch. Il est recommandé de conserver la valeur par défaut. Si l'exécution du Job se termine par une erreur, réduisez la valeur définie pour ce paramètre. |
Utilisation
Règle d'utilisation |
Ce composant est utilisé comme étape intermédiaire. Ce composant, ainsi que la Palette Spark Batch à laquelle il appartient, ne s'affiche que lorsque vous créez un Job Spark Batch. |
Connexion à Spark Batch |
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 :
Cette connexion fonctionne uniquement pour le Job dans lequel vous l'avez définie. |