Propriétés du tFlumeInput pour Apache Spark Streaming - 7.2

Flume

author
Talend Documentation Team
EnrichVersion
7.2
EnrichProdName
Talend Data Fabric
Talend Real-Time Big Data Platform
task
Création et développement > Systèmes tiers > Composants Messaging (Intégration) > Composants Flume
Gouvernance de données > Systèmes tiers > Composants Messaging (Intégration) > Composants Flume
Qualité et préparation de données > Systèmes tiers > Composants Messaging (Intégration) > Composants Flume
EnrichPlatform
Studio Talend

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

Le composant tFlumeInput Spark Streaming appartient à la famille Messaging.

La version Streaming de ce composant est disponible dans Talend Real Time Big Data Platform et dans Talend Data Fabric.

Basic settings

Host et Port

Saisissez le nom de l'hôte et le port de la machine utilisée comme sink (le point de sortie des données lié au canal d'un agent Flume) afin de recevoir les données de Flume.

  • Si vous sélectionnez As Receiver dans la liste Type, cette machine doit être l'une des machines sur lesquelles un worker Spark est en cours d'exécution. Le nom d'hôte doit être celui utilisé par le Resource Manager du cluster Spark à utiliser.

  • Si vous sélectionnez As Sink dans la liste Type, cette machine doit être un sink (une destination) dans un agent Flume et être accessible au cluster Spark.

Type

Sélectionnez l'approche de lecture des données dans Flume.

  • As Receiver : approche Push, généralement employée par Flume. Avec cette approche, une machine d'un cluster Spark est configurée comme agent pour recevoir des données ayant subi une action de Push par Flume. Le Job Spark Streaming que vous construisez lit les données de cet agent.

  • As Sink : approche Pull. Avec cette approche, une machine est configurée comme destination afin de mettre en mémoire tampon les données ayant subi une action de Push par Flume. Le Job Spark Streaming que vous construisez effectue un Pull sur les données de cette destination.

Pour plus d'informations concernant ces deux approches, consultez https://spark.apache.org/docs/1.3.1/streaming-flume-integration.html (en anglais).

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.

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.

Cette colonne line en lecture seule est utilisée par le tFlumeInput afin d'extraire automatiquement le corps d'un événement Flume d'entrée et construire un RDD avec les autres colonnes utilisées pour stocker l'en-tête du même événement.

Advanced settings

Encoding

Sélectionnez l'encodage à partir de la liste ou sélectionnez Custom et définissez-le manuellement.

Cet encodage est utilisé par le tFlumeInput afin de décoder les tableaux des événements d'entrée.

Utilisation

Règle d'utilisation

Ce composant est utilisé en tant que composant de début et nécessite un lien de sortie.

Lors de l’exécution, le composant tFlumeInput continue à écouter la destination et lit les nouveaux événements à chaque fois qu'ils sont mis dans la mémoire tampon de cette destination.

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.

Connexion à Spark

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.

Limitation

Du fait d'une incompatibilité de licence, un ou plusieurs Jar requis pour utiliser ce composant ne sont pas fournis. Vous pouvez installer les Jar manquants pour ce composant en cliquant sur le bouton Install dans l'onglet Component. Vous pouvez également trouver les Jar manquants et les ajouter dans l'onglet Modules de la perspective Integration de votre Studio. Pour plus d'informations, consultez la page Installation de modules externes.