Propriétés du tMatchPredict pour Apache Spark Batch - 7.1

Matching with machine learning

Version
7.1
Language
Français (France)
Product
Talend Big Data Platform
Talend Data Fabric
Talend Data Management Platform
Talend Data Services Platform
Talend MDM Platform
Talend Real-Time Big Data Platform
Module
Studio Talend
Talend Data Stewardship
Content
Création et développement > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement utilisant l'apprentissage automatique
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement utilisant l'apprentissage automatique
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de rapprochement > Composants de rapprochement utilisant l'apprentissage automatique

Ces propriétés sont utilisées pour configurer le tMatchPredict s'exécutant dans le framework de Jobs Spark Batch.

Le composant tMatchPredict Spark Batch appartient à la famille Data Quality.

Ce composant est disponible dans 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 :

  • View schema : sélectionnez cette option afin de voir uniquement le schéma.

  • Change to built-in property : sélectionnez cette option pour passer le schéma en mode Built-In et effectuer des modifications locales.

  • Update repository connection : sélectionnez cette option afin de modifier le schéma stocké dans le référentiel et décider de propager ou non les modifications à tous les Jobs. Si vous souhaitez propager les modifications uniquement au Job courant, cliquez sur No et sélectionnez à nouveau la métadonnée du schéma dans la fenêtre Repository Content.

Le schéma de sortie de ce composant comporte des colonnes en lecture seule dans ses liens de sortie :

LABEL : utilisé uniquement avec le lien de sortie Suspect duplicates. Elle contient les libellés de prédiction.

COUNT : utilisé uniquement avec le lien de sortie Exact duplicates. Elle contient le nombre de doublons exacts.

GROUPID : utilisé uniquement avec le lien de sortie Suspect duplicates. Elle contient les identifiants des groupes.

 

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.

Pairing

Dans la liste Input type, sélectionnez :

paired : à utiliser en entrée les doublons suspects générés par le tMatchPairing.

unpaired : à utiliser en entrée un nouveau jeu de données n'ayant pas été appairé par le tMatchPairing.

Pairing model folder : (disponible uniquement avec le type d'entrée unpaired) configurez le chemin d'accès au dossier contenant les fichiers de modèles générés par le composant tMatchPairing.

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.

Pour plus d'informations, consultez tMatchPairing.

Matching

Matching model location : sélectionnez dans la liste l'emplacement du fichier modèle généré par le Job de classification à l'aide du composant tMatchModel.

-from file system : configurez le chemin d'accès du dossier où le fichier modèle est généré par le composant de classification. Pour plus d'informations, consultez tMatchModel.

-from current Job : configurez le nom du fichier modèle généré par le composant de classification. Vous pouvez utiliser cette option uniquement si le Job de classification avec le composant tMatchModel est intégré dans le Job à l'aide du composant tMatchPredict.

Matching model folder : configurez le chemin d'accès au dossier contenant les fichiers de modèles générés par le tMatchModel.

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.

Pour plus d'informations, consultez tMatchModel.

Clustering classes

Ajoutez à la table un ou plusieurs libellé(s) utilisé(s) sur les échantillons suspects générés par le tMatchPairing. Assurez-vous d'utiliser le même texte.

Le composant groupe ensuite les enregistrements suspects correspondant au(x) libellé(s) configuré(s) dans la table.

Si vous avez libellé un échantillon d'enregistrements suspects à l'aide de Talend Data Stewardship, ajoutez la(es) réponse(s) définie(s) dans la campagne Grouping à la table.

Ce champ est sensible à la casse.

Advanced settings

Set Checkpoint Interval

Définissez la fréquence des points de contrôle. Il est recommandé de conserver la valeur par défaut (2).

Avant de définir la valeur de ce paramètre, activez l'opération de point de contrôle et définissez le répertoire de stockage des points de contrôle dans l'onglet Spark Configuration de la vue Run.

Pour plus d'informations concernant les points de contrôle, consultez Logs et points de contrôle des activités de votre Job Spark Apache.

Use Timestamp format for Date type Cochez cette case écrire en sortie les dates, les heures, les minutes et les secondes contenues dans vos données de type Date. Si vous ne cochez pas cette case, seuls les années, les mois et les jours sont écrits en sortie.

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.

Notez que, dans cette documentation, sauf mention contraire, un scénario présente uniquement des Jobs Standard, c'est-à-dire des Jobs Talend traditionnels d'intégration de données.

Spark Batch Connection

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 :
  • Yarn mode (Yarn Client ou Yarn Cluster) :
    • Lorsque vous utilisez Google Dataproc, spécifiez un bucket dans le champ Google Storage staging bucket de l'onglet Spark configuration.

    • Lorsque vous utilisez HDInsight, spécifiez le blob à utiliser pour le déploiement du Job, dans la zone Windows Azure Storage configuration de l'onglet Spark configuration.

    • Lorsque vous utilisez Altus, spécifiez le bucket S3 ou le stockage Azure Data Lake Storage (apercu technique) pour le déploiement du Job, dans l'onglet Spark configuration.
    • Lorsque vous utilisez Qubole, ajoutez tS3Configuration à votre Job pour écrire vos données métier dans le système S3 avec Qubole. Sans tS3Configuration, ces données métier sont écrites dans le système Qubole HDFS et détruites une fois que vous arrêtez votre cluster.
    • Lorsque vous utilisez des distributions sur site (on-premises), utilisez le composant de configuration correspondant au système de fichiers utilisé par votre cluster. Généralement, ce système est HDFS et vous devez utiliser tHDFSConfiguration.

  • Standalone mode : vous devez choisir le composant de configuration selon le système de fichiers que vous utilisez, comme tHDFSConfiguration ou tS3Configuration.

    Si vous utilisez Databricks sans composant de configuration dans votre Job, vos données métier sont écrites directement dans DBFS (Databricks Filesystem).

Cette connexion fonctionne uniquement pour le Job dans lequel vous l'avez définie.