Propriétés du tRedshiftOutput pour Apache Spark Streaming - 7.0

Amazon Redshift

author
Talend Documentation Team
EnrichVersion
7.0
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 > Services Amazon (Intégration) > Composants Amazon Redshift
Gouvernance de données > Systèmes tiers > Services Amazon (Intégration) > Composants Amazon Redshift
Qualité et préparation de données > Systèmes tiers > Services Amazon (Intégration) > Composants Amazon Redshift
EnrichPlatform
Studio Talend

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

Le composant tRedshiftOutput Spark Streaming appartient à la famille Databases.

Ce composant est disponible dans Talend Real Time Big Data Platform et dans Talend Data Fabric.

Basic settings

Property type

Peut-être Built-In ou Repository.

Built-in : Propriétés utilisées ponctuellement.

Repository : Sélectionnez le fichier de propriétés du composant.

Cliquez sur cette icône pour ouvrir l'assistant de connexion à la base de données et stocker les paramètres de connexion configurés dans la vue Basic settings du composant.

Pour plus d'informations concernant la configuration et le stockage des paramètres de connexion à la base de données, consultez le Guide utilisateur du Studio Talend.

Use an existing connection

Cochez cette case et sélectionnez le composant de connexion adéquat dans la liste Component list pour réutiliser les paramètres d'une connexion que vous avez déjà définie.

Host

Saisissez l'endpoint de la base de données à laquelle se connecter dans Redshift.

Port

Saisissez le numéro du port de la base de données à laquelle vous connecter dans Redshift.

Vous pouvez trouver les informations relatives dans la zone Cluster Database Properties de la console Web de votre Redshift.

Pour plus d'informations, consultez Gestion des clusters à l'aide de la console.

Username et Password

Saisissez les informations d'authentification à la base de données Redshift à laquelle vous connecter.

Pour saisir le mot de passe, cliquez sur le bouton [...] à côté du champ Password, puis, dans la boîte de dialogue qui s'ouvre, saisissez le mot de passe entre guillemets doubles et cliquez sur OK afin de sauvegarder les paramètres.

Database

Saisissez le nom de la base de données à laquelle vous connecter dans Redshift.

Vous pouvez trouver les informations relatives dans la zone Cluster Database Properties de la console Web de votre Redshift.

Pour plus d'informations, consultez Gestion des clusters à l'aide de la console.

Schema

Saisissez ne nom du schéma de la base de données à utiliser dans Redshift. Le schéma est nommé par défaut PUBLIC.

Un schéma, en termes Redshift , est similaire à un répertoire dans votre système d'exploitation. Pour plus d'informations concernant les schémas Redshift, consultez Schémas.

Additional JDBC Parameters

Définissez des propriétés JDBC supplémentaires pour la connexion que vous créez. Les propriétés sont séparées par une esperluette et chaque propriété est une paire clé-valeur. Par exemple, ssl=true & sslfactory=com.amazon.redshift.ssl.NonValidatingFactory, qui signifie que la connexion sera créée en utilisant le SSL.

S3 configuration

Sélectionnez le composant tS3Configuration à partir duquel vous voulez que Spark utilise les détails de configuration pour se connecter à S3.

Vous devez déposer un composant tS3Configuration à utiliser avec le tRedshiftConfiguration dans le même Job, afin que le tS3Configuration soit affiché dans la liste S3 configuration.

S3 temp path

Saisissez l'emplacement dans S3 dans lequel les données à transférer à partir de ou vers Redshift sont temporairement stockées.

Ce chemin est indépendant du chemin temporaire que vous devez définir dans l'onglet Basic settings du composant tS3Configuration.

Table

Saisissez le nom de la table dans laquelle écrire les données. Notez que les données peuvent être écrites dans une seule table à la fois.

Si cette table n'existe pas, sélectionnez Create dans la liste Save mode pour permettre au tRedshiftOutput de la créer.

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.

 

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 .

 

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].

Save mode

Sélectionnez l'opération que le tRedshiftOutput doit exécuter sur la table spécifiée.

  • Create : le tRedshiftOutput crée la table spécifiée et écrit dans cette table.

  • Append : le tRedshiftOutput ajoute des données dans une table existante.

  • Overwrite : le tRedshiftOutput écrase les données de la table spécifiée.

    Cet écrasement a un impact sur la disponibilité de la table cible. Ainsi, si vous devez garder cette table hautement disponible, vous devez cocher la case Use staging table dans l'onglet Advanced settings pour que le tRedshiftOutput crée et écrive des données dans une table de préparation puis, une fois l'écriture réussie, qu'il remplace la table cible par la table de préparation. Si la table de préparation est activée et que l'écriture échoue, la table cible peut être rapidement restaurée.

Advanced settings

Distribution style

Sélectionnez le style de distribution que le tRedshiftOutput doit appliquer aux données à écrire.

Pour plus d'informations concernant chaque style de distribution, consultez Styles de distribution.

Define sort key

Cochez cette case pour trier les données à écrire selon certaines colonnes des données.

Une fois cette case cochée, vous devez sélectionnez la ou les colonne(s) à utiliser comme clé(s) de tri. Pour plus d'informations concernant les différents types de clés de tri, consultez Choix des clés de tri.

Use staging table

Cochez la case Use staging table pour que le tRedshiftOutput crée et écrive des données dans une table de préparation puis, une fois l'écriture réussie, qu'il remplace la table cible par la table de préparation.

Cette fonctionnalité est seulement disponible si vous avez sélectionné Overwrite dans la liste Save mode et est recommandée lorsque vous devez garder la table cible de l'écrasement hautement disponible.

Define pre-actions

Cochez cette case et dans le champ qui s'affiche, ajoutez une liste d'instructions SQL séparées par un point-virgule (;) à exécuter avant que le tRedshiftOutput ne commence à écrire des données.

En utilisant les instructions suivantes, vous pouvez par exemple supprimer toutes les lignes de la table Movie qui remplissent les conditions définies par les tables Movie et Director.
delete from movie using director where movie.movieid=director.directorid;

Define post-actions

Cochez cette case et dans le champ qui s'affiche, ajoutez une liste d'instructions SQL séparées par un point-virgule (;) à exécuter après que le tRedshiftOutput ait écrit les données avec succès.

En utilisant les instructions suivantes, vous pouvez par exemple accorder le droit de sélection sur la table Movie à l'utilisateur ychen.
grant select on table movie to ychen;

Define extra copy options

Cochez cette case et dans le champ qui s'affiche, ajoutez une liste d'instruction SQL séparées par un point-virgule (;) à exécuter en même temps que l'écriture des données.

Le tRedshiftOutput utilise l'instruction Copy de Redshift SQL pour écrire des données. La liste des instructions SQL est en fait ajoutée à l'instruction Copy. Ainsi, seules les instructions ayant du sens à la fin de la commande Copy devraient être utilisées. Par exemple, l'instruction COMPUPDATE qui est utilisée pour contrôler si les encodages de compression sont automatiquement appliqués durant l'exécution de l'instruction Copy.

Pour plus d'informations sur les options supplémentaires que vous pouvez choisir, consultez Paramètres facultatifs.

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 en tant que composant de fin et requiert un lien d'entrée.

Ce composant nécessite un tRedshiftConfiguration présent dans le même Job pour se connecter à Redshift. Vous devez déposer un tRedshiftConfiguration avec ce composant et configurer ses paramètres simples (Basic settings) pour l'utiliser.

Ce composant, ainsi que les composants Spark Streaming de la Palette à laquelle il appartient, s'affichent uniquement lorsque vous créez un Job Spark Streaming.

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 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 (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.