Propriétés du tStandardizeRow pour Apache Spark Streaming - 7.0

Standardization

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 > Composants Data Quality > Composants de standardisation
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de standardisation
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de standardisation
EnrichPlatform
Studio Talend

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

Le composant tStandardizeRow Spark Streaming appartient à la famille Data Quality.

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

Basic settings

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.

Column to parse

Sélectionnez la colonne à analyser à partir du flux de données reçu.

Standardize this field

Cochez cette case pour standardiser les données identifiées comme conformes à la règle, c'est-à-dire remplacer les doublons de données identifiés par les données standardisées correspondantes à partir d'un index donné.

Pour plus d'informations concernant l'index de ces données standardisées, consultez tSynonymOutput.

Chaque fois que vous cochez ou décochez cette case, le schéma de ce composant est modifié automatiquement. De ce fait, dans un Job donné, vous devez cliquer sur le bouton Sync columns afin de régler les problèmes d'incohérence du schéma.

Generate analyzer code as routine

Cliquez sur ce bouton pour permettre à l'analyseur de données de votre Studio Talend de générer le code des règles définies dans le tableau Conversion rules.

Dans un Job donné, lorsqu'une règle est créée, cette opération est nécessaire pour son exécution. En revanche, si une simple modification est effectuée sur la règle existante, cette opération est nécessaire uniquement lorsque la règle modifiée est de type Enumeration, Format ou Combination. Pour plus d'informations concernant les types de règles, consultez Types de règles.

et

Cliquez sur le bouton d'import ou d'export pour sélectionner une règle donnée de standardisation depuis le DQ Repository.

- Lorsque vous cliquez sur le bouton d'export, votre studio passe en perspective Profiling et la vue Parser rule Settings s'ouvre dans l'espace de travail avec son contenu automatiquement renseigné. Si nécessaire, vous pouvez modifier la règle exportée et la sauvegarder dans le dossier Libraries > Rules > Parser de la vue DQ Repository.

- Lorsque vous cliquez sur le bouton d'import, un assistant d'import s'ouvre et vous permet d'importer la règle de standardisation souhaitée.

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

Conversion rules

Définissez les règles que vous souhaitez appliquer, comme suit :

- dans la colonne Name, saisissez un nom pour la règle que vous souhaitez utiliser. Ce nom est utilisé comme balise XML ou nom d'attribut JSON et comme nom du jeton libellant les données entrantes identifiées par cette règle.

- dans la colonne Type, sélectionnez le type de règle que vous souhaitez appliquer. Pour plus d'informations concernant les types de règles disponibles, consultez Types de règles.

- dans la colonne Value, saisissez la syntaxe de la règle.

- dans la colonne Search mode, sélectionnez un mode de recherche dans la liste. Les modes de recherche peuvent être utilisés uniquement avec le type de règle Index. Pour plus d'informations concernant les modes de recherche disponibles, consultez Modes de recherche pour les règles d'Index.

Une vue de test est fournie pour vous permettre de créer les analyseurs syntaxiques qui vous intéressent. Pour plus d'informations, consultez le Guide utilisateur du Studio Talend .

Advanced settings

Advanced options for INDEX rules

- Search UNDEFINED fields : cochez cette case si vous souhaitez que le composant recherche des enregistrements indéfinis dans les résultats de l'exécution de l'index.

- Word distance for partial match (disponible pour le mode Match partial) : définissez le nombre maximal de mots autorisés dans une séquence de mots pouvant être trouvée dans l'index. La valeur par défaut est 1.

- Max edits for fuzzy match (basé sur l'algorithme de Levenshtein et disponibles pour les modes Fuzzy) : sélectionnez une distance de modification, 1 ou 2, dans la liste. Tout terme au sein de la distance de modification depuis les données d'entrée est mis en correspondance. Avec une distance maximale de modification de 2, par exemple, vous pouvez effectuer 2 insertions, suppressions ou substitutions. Le score de chaque mise en correspondance se base sur la distance de modification de ce terme.

Les performances du rapprochement flou sont nettement améliorées avec l’option Max edits for fuzzy match.
Remarque :

Les Jobs migrés dans le Studio depuis d'anciennes versions s'exécutent correctement, mais les résultats peuvent être légèrement différents, car l'option Max edits for fuzzy match est utilisée à la place de l'option Minimum similarity for fuzzy match.

Output format

-XML : cette option est sélectionnée par défaut. Elle écrit en sortie des données normalisées au format XML.

-JSON : sélectionnez cette option pour écrire en sortie des données normalisées au format JSON.

Utilisation

Règle d'utilisation

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.

Ce composant est utilisé comme étape intermédiaire.

Vous devez utiliser l'onglet Spark Configuration dans la vue Run afin de définir la connexion à un cluster Spark donné pour le Job entier.

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

Pour plus d'informations concernant les Jobs Spark Streaming Talend, consultez les sections décrivant comment créer, convertir et configurer un Job Spark Streaming Talend dans le Guide de prise en main de Talend Open Studio for Big Data.

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.

Connexions

Liens de sortie (de ce composant à un autre) :

Row : Main, Reject

Liens d'entrée (d'un composant à celui-ci) :

Row : Main, Reject

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

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 (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.