Propriétés du tSchemaComplianceCheck Apache Spark Batch - 7.1

Validation

author
Talend Documentation Team
EnrichVersion
7.1
EnrichProdName
Talend Big Data
Talend Big Data Platform
Talend Data Fabric
Talend Data Integration
Talend Data Management Platform
Talend Data Services Platform
Talend ESB
Talend MDM Platform
Talend Open Studio for Big Data
Talend Open Studio for Data Integration
Talend Open Studio for ESB
Talend Open Studio for MDM
Talend Real-Time Big Data Platform
task
Création et développement > Systèmes tiers > Composants Data Quality > Composants de validation
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de validation
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de validation
EnrichPlatform
Studio Talend

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

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

Le composant de ce framework est disponible dans tous les produits Talend avec Big Data nécessitant souscription et dans Talend Data Fabric.

Basic settings

Base 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.

Il définit la structure et la nature des données à traiter.

 

Built-in : le schéma est créé et conservé localement pour ce composant seulement. scénario associé : consultez le Guide utilisateur du Studio Talend .

 

Repository : le schéma existe déjà et est stocké dans le Repository. Ainsi, il peut être réutilisé dans divers projets et Jobs. Scénario associé : consultez le Guide utilisateur du Studio Talend .

Base on default schema

Cochez cette option si vous souhaitez effectuer la vérification sur toutes les colonnes du schéma de base.

Custom defined

Cochez cette option si vous souhaitez effectuer la vérification sur des colonnes en particulier. Lorsque cette option est sélectionnée, la table Columns s'affiche.

Checked Columns

Définissez dans ce tableau quelles sont les vérifications à effectuer, et sur quelles colonnes.

 

Column : affiche les noms des colonnes.

 

Type : sélectionnez le type de données que chaque colonne doit contenir. Cette validation est obligatoire pour toutes les colonnes.

 

Date pattern : définissez le format de date attendu pour chaque colonne de type Date.

 

Nullable : cochez cette case d'une colonne individuelle afin de définir la colonne nullable, qui autorise les lignes vides à aller dans le flux de sortie, quelle que soit la définition du schéma de base. Pour définir toutes les colonnes comme nullables, cochez la case d'en-tête du tableau.

 

Max length : cochez la case de la colonne dont vous souhaitez vérifier la longueur des données en fonction de la longueur définie dans le schéma de base. Pour effectuer cette vérification sur toutes les colonnes, cochez la case au niveau de l'en-tête de la table.

Use another schema for compliance check

Définissez un schéma de référence en donnant aux données les propriétés qu'elles sont censées avoir.

Ces propriétés peuvent correspondre au type de données, aux valeurs nulles, et/ou à la longueur des données.

Discard the excess content of column when the actual length is greater than the declared length

Cochez cette case afin de tronquer les données dépassant la longueur spécifiée plutôt que de les rejeter. L'option fonctionne avec les trois modes du tSchemaComplianceCheck.

Remarque :

Cette option s'applique uniquement aux données de type String.

Advanced settings

Ignore TimeZone when Check Date

Cochez cette case pour ignorer le fuseau horaire lors de la vérification de la date.

Cette case n'est pas disponible lorsque le mode Check all columns from schema est sélectionné.

Treat all empty string as NULL

Cochez cette case afin de traiter tous les champs vides de chaque colonne comme des valeurs nulles, plutôt que comme des chaînes de caractères vides.

Par défaut, cette case est cochée. Lorsqu'elle est décochée, le tableau Choose Column(s) s'affiche pour vous permettre de sélectionner les colonnes que vous souhaitez.

Global Variables

Global Variables

ERROR_MESSAGE : message d'erreur généré par le composant lorsqu'une erreur survient. Cette variable est une variable After et retourne une chaîne de caractères. Cette variable fonctionne uniquement si la case Die on error est décochée, lorsque le composant contient cette case.

Une variable Flow fonctionne durant l'exécution d'un composant. Une variable After fonctionne après l'exécution d'un composant.

Pour renseigner un champ ou une expression à l'aide d'une variable, appuyez sur les touches Ctrl+Espace pour accéder à la liste des variables. À partir de cette liste, vous pouvez choisir la variable que vous souhaitez utiliser.

Pour plus d'informations concernant les variables, consultez le Guide utilisateur du Studio Talend .

Utilisation

Règle d'utilisation

Ce composant est utilisé comme étape intermédiaire.

Spark 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.