Propriétés du tMatchPairing pour Apache Spark Batch - 7.0

Matching with machine learning

author
Talend Documentation Team
EnrichVersion
7.0
EnrichProdName
Talend Big Data Platform
Talend Data Fabric
Talend Data Management Platform
Talend Data Services Platform
Talend MDM Platform
Talend Real-Time Big Data Platform
task
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
EnrichPlatform
Studio Talend
Talend Data Stewardship

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

Le composant tMatchPairing 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 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 qui sont traités et passés au composant suivant. 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.

Créez le schéma, en cliquant sur le bouton Edit Schema. Si le schéma est en mode Repository, trois options sont disponibles :

  • View schema : sélectionnez cette option afin de voir 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 :

PAIR_ID et SCORE : utilisés uniquement avec les liens de sortie Pairs et Pairs sample. La première colonne contient les identifiants des paires suspectes et la seconde contient les similarités entre les enregistrements dans chaque paire.

LABEL : utilisée uniquement avec le lien de sortie Pairs sample. Dans le Job, vous devez renseigner manuellement cette colonne à l'aide du composant tMatchModel.

COUNT : utilisée uniquement avec le lien de sortie Exact duplicates. Cette colonne donne le nombre d'occurrences des enregistrements qui correspondent exactement.

 

Built-In : le schéma est créé et conservé ponctuellement pour ce composant seulement. Consultez également : le Guide utilisateur du Studio Talend .

 

Repository : Le schéma existe déjà et est stocké dans le Repository. Ainsi, il peut être réutilisé dans des Jobs et projets. Consultez également : le Guide utilisateur du Studio Talend .

Blocking key

Sélectionnez les colonnes à l'aide desquelles vous souhaitez élaborer la clé de bloc.

Cette clé de bloc est utilisée pour générer des suffixes, eux-mêmes utilisés pour regrouper des enregistrements.

Suffix array blocking parameters

Min suffix length : Définissez la longueur minimale du suffixe à atteindre ou à ne pas dépasser dans chaque groupe.

Max block size : Définissez le nombre maximal d'enregistrements à avoir dans chaque bloc. Ceci aide au filtrage dans les blocs volumineux où le suffixe est trop courant, comme tion et ing par exemple.

Pairing model location

Folder : configurez le chemin d'accès au dossier local où générer les fichiers modèles.

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 cochez la case Define a storage configuration component dans l'onglet Basic settings du 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.

Integration with Data Stewardship

Cochez cette case pour configurer les paramètres de connexion au serveur de Talend Data Stewardship.

Si vous cochez cette case, le tMatchPairing charge les paires suspectes dans une campagne de type Grouping, ce qui signifie que ce composant est utilisé comme composant de fin.

Data Stewardship Configuration

  • URL :

    Saisissez l'adresse pour accéder au serveur de Talend Data Stewardship, avec le suffixe /data-stewardship/, par exemple http://<server_address>:19999/data-stewardship/.

    Si vous travaillez avec Talend Cloud Data Stewardship, utilisez l'une des adresses suivantes pour accéder à l'application :

    • https://tds.us.cloud.talend.com/data-stewardship pour le centre de données des États-Unis.
    • https://tds.eu.cloud.talend.com/data-stewardship pour le centre de données de l'Europe.
  • Username et Password :

    Saisissez les informations d'authentification au serveur de Talend Data Stewardship.

  • Campaign :

    Il affiche le nom technique de la campagne une fois la campagne sélectionnée. Cependant, vous pouvez modifier la valeur du champ afin de la remplacer par un paramètre de contexte par exemple, et passer les variables de contexte à un Job au moment de l'exécution. Ce nom technique est toujours utilisé pour identifier une campagne lorsque le Job communique avec Talend Data Stewardship quelle que soit la valeur du champ Campaign.

    Cliquez sur Find a Campaign pour ouvrir une boîte de dialogue listant les campagnes de type Grouping sur le serveur pour lesquelles vous avez le rôle Campaign owner ou pour lesquelles vous avez les droits d'accès.

    Cliquez sur le bouton de rafraîchissement afin de récupérer les détails de la campagne depuis le serveur de Talend Data Stewardship.

  • Assignee :

    Spécifiez le participant de la campagne auquel vous souhaitez assigner les tâches créées.

Advanced settings

Filtering threshold

Saisissez une valeur entre 0.2 et 0.85 pour filtrer les paires d'enregistrements suspects, en se basant sur les scores calculés. Cette valeur permet d'exclure les paires peu similaires.

0.3 est la valeur par défaut. Plus la valeur est haute, plus les enregistrements sont similaires.

Pairs sample

Number of pairs : saisissez une taille pour l'échantillon de paires suspectes à générer. La valeur par défaut est 10000.

Cochez cette case et, dans le champ Seed qui s'affiche, saisissez un nombre aléatoire si vous souhaitez obtenir le même échantillon de paires lors des différentes exécutions du Job. Répéter l'exécution avec une valeur différente du nombre permet d'extraire des échantillons de paires. Les scores des paires peuvent être différents également, si le nombre total de paires est supérieur ou non à 10 000.

Data Stewardship Configuration

Campaign ID :

Il affiche le nom technique de la campagne une fois la campagne sélectionnée. Cependant, vous pouvez modifier la valeur du champ afin de la remplacer par un paramètre de contexte par exemple, et passer les variables de contexte à un Job au moment de l'exécution. Ce nom technique est toujours utilisé pour identifier une campagne lorsque le Job communique avec Talend Data Stewardship quelle que soit la valeur du champ Campaign.

Max tasks per commit : configurez le nombre de lignes que vous souhaitez avoir dans chaque commit.

Ne modifiez pas la valeur par défaut à moins de rencontrer des problèmes de performance. Augmenter la taille du commit améliore les performances mais configurer une valeur trop importante peut cause des échecs dans les Jobs.

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.

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 :
  • 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 (apercu technique) pour le déploiement du Job, dans l'onglet Spark configuration.
    • Lorsque vous utilisez d'autres distributions, utilisez le composant de configuration correspondant au système de fichiers utilisé par votre cluster. Généralement, ce système est HDFS et vous devez utiliser le tHDFSConfiguration.

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

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