tJavaMR - 6.1

Composants Talend Guide de référence

EnrichVersion
6.1
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 Data Quality
Talend Open Studio for ESB
Talend Open Studio for MDM
Talend Real-Time Big Data Platform
task
Création et développement
Gouvernance de données
Qualité et préparation de données
EnrichPlatform
Studio Talend

Avertissement

Ce composant est disponible dans la Palette du Studio Talend si vous avez souscrit à l'une des solutions Big Data de Talend.

Fonction

Le tJavaMR permet de saisir du code MapReduce personnalisé afin de l'intégrer dans un programme Talend. Ce code est exécuté une seule fois.

Ce composant n'apparaît que lorsque vous créez un Job Map/Reduce.

Objectif

Le tJavaMR permet d'étendre les fonctionnalités du Job Talend grâce aux méthodes map et reduce.

Propriétés du tJavaMR

Famille du composant

Custom Code

 

Basic settings

Schema et Edit Schema

Un schéma est une description de lignes, il définit le nombre de champs (colonnes) qui sont traités et passés au composant suivant. Le schéma est soit local (Built-In), soit distant dans le Repository.

  

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

  

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

  

Cliquez sur Edit schema pour modifier le schéma. 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, sélectionnez No et sélectionnez à nouveau la métadonnée du schéma dans la fenêtre [Repository Content].

 

Map only

Cochez cette case afin d'éditer et utiliser uniquement un mapping personnalisé. Dans ce cas, seuls le champ Map code et la zone Map advanced code sont disponibles.

 

Map code

Saisissez le corps de la méthode map que vous souhaitez exécuter.

Ce composant définit automatiquement les autres parties de la méthode map. Si vous n'utilisez pas l'option Map only, le tJavaMR utilise également de manière automatique le nom des colonnes spécifiées dans les tables mrKeyStruct et mrValueStruct. Cela permet d'instancier l'intermédiaire des paires clé/valeur entre la phase map et la phase reduce.

Par exemple, dans la table mrKeyStruct, nommez la colonne word. Ensuite, lorsque vous écrivez le code, saisissez mrKey.word afin de représenter l'instance de la clé correspondante. A l'exécution, cette instance est automatiquement construite afin d'avoir la structure mrKey_component_ID.word comme par exemple mrKey_tJavaMR_1.word.

Notez que le texte affiché au-dessus du champ Map code montre les paramètres que vous pouvez directement utiliser pour écrire le code, comme par exemple mrKey, mrValue ou outputRow.

Pour plus d'informations sur la méthode map et l'intermédiaire des paires clé/valeur générées en sortie, consultez https://hadoop.apache.org/docs/stable/api/org/apache/hadoop/mapred/Mapper.html (en anglais).

Pour plus d'informations sur la syntaxe des fonctions Java spécifiques à Talend, consultez l'aide du Studio Talend (Help > Developer Guide > API Reference).

Pour une référence Java complète, consultez http://docs.oracle.com/javaee/6/api/ (en anglais).

 

mrKeyStruct et mrValueStruct

Dans ces deux tables, ajoutez les colonnes que vous souhaitez utiliser afin de composer les paires clé/valeur requises par les opérations MapReduce.

 

Reduce code

Saisissez le corps de la méthode reduce que vous souhaitez exécuter.

Ce composant définit automatiquement les phases de regroupement (shuffle) et de tri ainsi que les autres parties de la méthode reduce. Il utilise également le nom des colonnes spécifiées dans les tables mrKeyStruct et mrValueStruct. Cela permet d'instancier l'intermédiaire des paires clé/valeur qui ont été regroupées et triées.

Par exemple, dans la table mrKeyStruct, nommez la colonne word. Ensuite, lorsque vous écrivez le code, saisissez key.word afin de représenter l'instance de la clé correspondante. A l'exécution, cette instance est automatiquement construite afin d'avoir la structure key_component_ID.word comme par exemple key_tJavaMR_1.word. De même, dans la table mrValueStruct, saisissez count. Ensuite, saisissez values.count afin de définir l'instance de la valeur correspondante. A l'exécution, cette instance est automatiquement construite afin d'avoir la structure values_component_ID.count comme par exemple values_tJavaMR_1.count.

Notez que le texte affiché au-dessus du champ Reduce code montre les paramètres que vous pouvez directement utiliser pour écrire le code.

Pour plus d'informations sur la méthode reduce, ses phases et les paires clé/valeur, consultez https://hadoop.apache.org/docs/stable/api/org/apache/hadoop/mapred/Reducer.html (en anglais).

Pour plus d'informations sur la syntaxe des fonctions Java spécifiques à Talend, consultez l'aide du Studio Talend (Help > Developer Guide > API Reference).

Pour une référence Java complète, consultez http://docs.oracle.com/javaee/6/api/ (en anglais).

Advanced settings

Map advanced code

Dans cette zone, définissez les classes, les variables et les méthodes que vous souhaitez utiliser avec la méthode map définie dans la vue Basic settings. Notez que le code saisi dans cette zone n'est pas requis pour utiliser le tJavaMR.

Trois champs sont disponibles :

Implement the prepare code : cochez cette case et, dans le champ qui s'affiche, définissez les variables, les méthodes et les classes internes à inclure dans le corps de la classe publique de la partie Map de ce composant.

Implement the configure method : cochez cette case et, dans le champ qui s'affiche, définissez le corps de la méthode configure pour la partie Map de ce composant.

Implement the close method : cochez cette case et, dans le champ qui s'affiche, définissez le corps de la méthode close de la partie Map de ce composant.

 

Reduce advanced code

Dans cette zone, définissez les classes, les variables et les méthodes que vous souhaitez utiliser avec la méthode reduce définie dans la vue Basic settings. Notez que le code saisi dans cette zone n'est pas requis pour utiliser le tJavaMR.

Trois champs sont disponibles :

Implement the prepare code : cochez cette case et, dans le champ qui s'affiche, définissez les variables, les méthodes et les classes internes à inclure dans le corps de la classe publique de la partie Reduce de ce composant.

Implement the configure method : cochez cette case et, dans le champ qui s'affiche, définissez le corps de la méthode configure pour la partie Reduce de ce composant.

Implement the close method : cochez cette case et, dans le champ qui s'affiche, définissez le corps de la méthode close de la partie Reduce de ce composant.

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, si le composant a cette option.

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. A 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

Une fois le Job Map/Reduce ouvert dans l'espace de modélisation graphique, le tJavaMR apparaît dans la Palette du Studio. Il est utilisé en tant qu'étape intermédiaire dans un Job Map/Reduce.

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 et non des Jobs Map/Reduce.

Hadoop Connection

Vous devez utiliser l'onglet Hadoop Configuration de la vue Run afin de définir la connexion à une distribution Hadoop donnée pour le Job complet.

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

Scénario : Compter le nombre de mots à l'aide de codes Map et Reduce personnalisés

En se basant sur l'exemple MapReduce présenté dans la documentation Apache sur http://wiki.apache.org/hadoop/WordCount (en anglais), ce scénario montre comment utiliser le composant tJavaMR afin de créer un programme MapReduce permettant de compter le nombre de mots.

Les données d'exemple utilisées dans ce scénario se présentent comme suit :

Hello world goodbye world
Hello hadoop bye Hadoop

Avant de commencer à reproduire ce scénario, assurez-vous d'avoir les droits d'accès appropriés à la distribution Hadoop à utiliser. Ensuite, procédez comme suit :

Relier les composants

  1. Dans la perspective Integration du Studio, créez un Job Map/Reduce depuis le nœud Job Designs du Repository.

    Pour plus d'informations concernant la création d'un Job Map/Reduce, consultez le Guide de prise en main de Talend Big Data.

  2. Déposez un tHDFSInput, un tJavaMR et un tHDFSOutput dans l'espace de modélisation graphique.

    Le tHDFSInput lit les données depuis la distribution Hadoop utilisée et le tHDFSOutput écrit les données traitées dans cette distribution.

  3. Connectez ces composants entre eux à l'aide de liens Row > Main.

Configurer une connexion Hadoop

  1. Cliquez sur Run afin d'ouvrir la vue correspondante et cliquez sur l'onglet Hadoop Configuration afin d'afficher cette vue et configurer la connexion Hadoop pour ce Job.

    La vue se présente comme dans la capture d'écran ci-dessous :

  2. Dans la liste Property type, sélectionnez Built-in. Si vous avez créé une connexion afin qu'elle soit utilisable depuis le Repository, sélectionnez alors Repository afin que le Studio Talend réutilise les informations de connexion pour ce Job.

    Pour plus d'informations concernant la création d'une connexion Hadoop dans le Repository, consultez le chapitre décrivant le nœud Hadoop cluster du le Guide utilisateur du Studio Talend.

  3. Dans la zone Version, sélectionnez la distribution Hadoop à utiliser et sa version. Si vous ne trouvez pas la distribution correspondant à la votre dans la liste, sélectionnez Custom afin de vous connecter à une distribution Hadoop non officiellement supportée par le Studio Talend.

    Pour un exemple d'utilisation étape par étape de cette option Custom, consultez Connexion à une distribution Hadoop personnalisée.

    En plus de l'évolution de Hadoop, veuillez noter les changements suivants :

    • Si vous utilisez Hortonworks Data Platform V2.2, les fichiers de configuration de votre cluster peuvent utiliser des variables d'environnement comme ${hdp.version}. Si vous êtes dans cette situation, vous devez configurer la propriété mapreduce.application.framework.path dans la table Hadoop properties, avec la valeur du chemin d'accès pointant explicitement vers l'archive du framework MapReduce de votre cluster. Par exemple :

      mapreduce.application.framework.path=/hdp/apps/2.2.0.0-2041/mapreduce/mapreduce.tar.gz#mr-framework
    • Si vous utilisez Hortonworks Data Platform V2.0.0, le type de système d'exploitation utilisé pour la distribution Hadoop et pour le Job Talend doit être identique, par exemple Windows ou Linux. Sinon, vous devez utiliser le Jobserver de Talend afin d'exécuter un Job dans le même type de système d'exploitation que celui dans lequel la distribution Hortonworks Data Platform V2.0.0 utilisée est exécutée. Pour plus d'informations concernant le Jobserver de Talend, consultez le Guide d'installation Talend.

  4. Dans le champ Name node, saisissez l'emplacement du nœud maître, le NameNode, de la distribution utilisée. Par exemple, hdfs://tal-qa113.talend.lan:8020.

    Si vous utilisez une distribution MapR, vous pouvez simplement laisser maprfs:/// dans ce champ. Le client MapR se charge de créer la connexion au moment de l'exécution. Notez que le client doit être correctement installé. Pour plus d'informations concernant la configuration d'un client MapR, consultez la page suivante sur le site de la documentation de MapR : http://doc.mapr.com/display/MapR/Setting+Up+the+Client (en anglais).

  5. Dans le champ Job tracker, saisissez l'emplacement du JobTracker de votre distribution. Par exemple, tal-qa114.talend.lan:8050.

    Notez que le mot "Job" dans le terme "JobTracker" désigne les Jobs MR ou Map/Reduce décrits dans la documentation Apache disponible sur le site Internet d'Apache http://hadoop.apache.org/ (en anglais).

    Si vous utilisez YARN dans votre cluster Hadoop, comme Hortonworks Data Platform V2.0.0 ou Cloudera CDH4.3 + (mode YARN), vous devez spécifier l'emplacement du Resource Manager et non celui du Jobtracker. Vous pouvez continuer à configurer les paramètres suivants selon la configuration du cluster Hadoop à utiliser :

    • Cochez la case Set resourcemanager scheduler address et saisissez l'adresse de l'ordonnanceur (Scheduler) dans le champ qui apparaît.

    • Cochez la case Set jobhistory address et saisissez l'emplacement du serveur JobHistory du cluster Hadoop à utiliser. Cela permet de stocker les informations relatives aux métriques du Job courant sur le serveur JobHistory.

    • Cochez la case Set staging directory et saisissez le chemin d'accès au répertoire défini dans votre cluster Hadoop pour les fichiers temporaires créés par l'exécution de programmes. Ce répertoire se trouve sous la propriété yarn.app.mapreduce.am.staging-dir dans les fichiers de configuration, notamment les fichiers yarn-site.xml et mapred-site.xml de votre distribution.

    • Cochez la case Use datanode hostname pour permettre au Job d'accéder aux nœuds de données via leurs hébergeurs. Cela configure la propriété dfs.client.use.datanode.hostname à true. Lorsque vous vous connectez à un système de fichiers S3N, vous devez cocher cette case.

  6. Si la distribution utilisée nécessite une authentification Kerberos, cochez la case Use Kerberos authentication et saisissez les détails d'authentification. Sinon, laissez cette case décochée.

    Si vous accédez au cluster Hadoop fonctionnant avec la sécurité de Kerberos, cochez cette case, puis saisissez le "principal name" de Kerberos pour le NameNode dans le champ affiché. Cela vous permet d'utiliser votre identifiant pour vous authentifier, en le comparant aux identifiants stockés dans Kerberos.

    De plus, comme ce composant effectue des calculs Map/Reduce, vous devez également authentifier les services associés, comme le serveur de l'historique des Jobs et le gestionnaire de ressources ou le JobTracker, selon votre distribution, dans le champ correspondant. Ces principaux se trouvent dans les fichiers de configuration de votre distribution. Par exemple, dans une distribution CDH4, le principal du gestionnaire de ressource est configuré dans le fichier yarn-site.xml et le principal de l'historique des Job dans le fichier mapred-site.xml.

    Si vous souhaitez utiliser un fichier Kerberos keytab pour vous identifier, cochez la case Use a keytab to authenticate. Un fichier keytab contient des paires de principaux et clés cryptées Kerberos. Vous devez saisir le principal à utiliser dans le champ Principal et le chemin d'accès au fichier keytab dans le champ Keytab.

    Notez que l'utilisateur qui exécute un Job utilisant un keytab n'est pas forcément celui désigné par le principal mais qu'il doit avoir le droit de lecture pour le fichier keytab utilisé. Par exemple, le nom d'utilisateur que vous utilisez pour exécuter le Job est user1 et le principal à utiliser est guest. Dans cette situation, assurez-vous que user1 a les droits de lecture pour le fichier keytab à utiliser.

  7. Dans le champ User name, saisissez votre nom d'utilisateur pour votre distribution. Si vous laissez ce champ vierge, le nom d'utilisateur de la machine hébergeant le Studio Talend est utilisé.

  8. Dans le champ Temp folder, saisissez le chemin d'accès au dossier HDFS dans lequel sont stockés les fichiers temporaires générés pendant les opérations de Map/Reduce.

  9. Laissez le champ Path separator in server tel quel, sauf si vous changez le séparateur utilisé par la machine hôte de votre distribution Hadoop pour sa variable PATH. En d'autres termes, changez le séparateur si celui-ci n'est pas le signe deux points (:). Dans ce cas, vous devez remplacer cette valeur par celle utilisée dans votre hôte.

  10. Laissez la case Clear temporary folder (Effacer le contenu du dossier temporaire) cochée, sauf si vous souhaitez garder ces fichiers temporaires.

  11. Laissez la case Compress intermediate map output to reduce network traffic cochée, afin de réduire le temps de transfert des partitions du Mapper aux différents Reducers.

    Cependant, si le transfert des données dans le Job est négligeable, il est recommandé de décocher cette case afin de désactiver l'étape de compression, car la compression consomme des ressources supplémentaires du CPU.

  12. Si vous souhaitez utiliser des propriétés Hadoop personnalisées, renseignez la table Hadoop properties avec la ou les propriété(s) à personnaliser. Lors de l'exécution, ces modifications écrasent les propriétés correspondantes par défaut utilisées par le Studio pour son moteur Hadoop.

    Pour plus d'informations concernant les propriétés requises par Hadoop, consultez la documentation Apache Hadoop sur le site http://hadoop.apache.org (en anglais), ou la documentation de la distribution Hadoop que vous utilisez.

  13. Si le système Hadoop utilisé est Hortonworks Data Platform V1.2 ou Hortonworks Data Platform V1.3, vous devez définir des allocations de mémoire suffisantes pour que les opérations de map et reduce soient effectuées par le système Hadoop.

    Dans ce cas, vous devez saisir les valeurs que vous souhaitez utiliser pour la mémoire allouée aux opérations map et reduce dans les champs Mapred job map memory mb et Mapred job reduce memory mb, respectivement. Par défaut, les valeurs sont toutes les deux 1000, ce qui est normalement adapté pour l'exécution de ces opérations.

    Si la distribution utilisée est YARN, les paramètres de mémoire à définir sont alors Map (in Mb), Reduce (in Mb) et ApplicationMaster (in Mb), respectivement. Ces champs permettent d'allouer dynamiquement de la mémoire aux opérations map et reduce et à l'ApplicationMaster de YARN.

  14. Si vous utilisez Cloudera V5.5 ou une version supérieure, vous pouvez cocher la case Use Cloudera Navigator pour permettre au Cloudera Navigator de votre distribution de suivre le lignage de vos Jobs jusqu'au niveau des composants, notamment les modifications des schémas entre les composants.

    Lorsque cette option est activée, vous devez configurer les paramètres suivants :

    • Username et Password : informations d'authentification utilisées pour vous connecter à votre Cloudera Navigator.

    • Cloudera Navigator URL : saisissez l'emplacement du Cloudera Navigator auquel se connecter.

    • Cloudera Navigator Metadata URL : saisissez l'emplacement où sont stockées les métadonnées (Navigator Metadata).

    • Activate the autocommit option : cochez cette case pour que le Cloudera Navigator génère le lignage du Job courant à la fin de son exécution.

      Comme cette option force le Cloudera Navigator à générer des lignages de toutes ses entités disponibles, tels que les fichiers et répertoires HDFS, les requêtes Hive ou les scripts Pig, il n'est pas recommandé de l'utiliser dans un environnement de production, car elle ralentit le Job.

    • Kill the job if Cloudera Navigator fails : cochez cette case pour arrêter l'exécution du Job lorsque la connexion à Cloudera Navigator échoue.

      Sinon, laissez cette case décochée pour que votre Job continue à s'exécuter.

    • Disable SSL validation : cochez cette case pour que votre Job se connecte au Cloudera Navigator sans processus de validation SSL.

      Cette fonctionnalité est conçue pour simplifier les tests de vos Jobs mais il n'est pas recommandé de l'utiliser dans un cluster en production.

Pour plus d'informations sur l'onglet Hadoop Configuration, consultez la section décrivant comment configurer la connexion Hadoop pour un Job Talend Map/Reduce dans le Guide de prise en main de Talend Big Data.

Pour plus d'informations sur le Resource Manager, son ordonnanceur et l'ApplicationMaster, consultez la documentation de YARN sur le site http://hortonworks.com/blog/apache-hadoop-yarn-concepts-and-applications/ (en anglais).

Pour plus d'informations concernant la définition des paramètres de mémoire pour YARN et MapReduce, consultez la documentation de la distribution utilisée comme, par exemple, celle d'Hortonworks : http://docs.hortonworks.com/HDPDocuments/HDP2/HDP-2.0.6.0/bk_installing_manually_book/content/rpm-chap1-11.html (en anglais).

Configurer le tHDFSInput

  1. Double-cliquez sur le tHDFSInput afin d'ouvrir sa vue Component.

  2. Cliquez sur le bouton à côté du champ Edit schema afin d'ouvrir l'éditeur de schéma.

  3. Cliquez sur le bouton afin d'ajouter une colonne. Dans la colonne Column, renommez-la record.

  4. Cliquez sur OK afin de valider les changements et acceptez la propagation proposée par la boîte de dialogue.

  5. Dans le champ Folder/File, saisissez le chemin ou parcourez votre système vers le fichier source à lire par le Job.

    Si le fichier n'est pas dans le système HDFS utilisé, vous devez le déposer dans HDFS à l'aide, par exemple, d'un tFileInputDelimited et d'un tHDFSOutput dans un Job Standard. Pour plus d'informations sur ces composants, consultez tFileInputDelimited et tHDFSOutput.

Créer le programme MapReduce

  1. Double-cliquez sur le tJavaMR afin d'ouvrir sa vue Component.

  2. Sous la table mrKeyStruct, cliquez sur le bouton afin d'ajouter une colonne.

  3. Renommez cette colonne word_mr. C'est la partie clé de la paire clé/valeur utilisée dans le programme Map/Reduce créé. Dans la méthode map, vous devez saisir mrKey.word_mr afin de représenter les clés à envoyer vers la partie Reduce.

  4. Sous la table mrValueStruct, cliquez sur le bouton afin d'ajouter une colonne.

  5. Renommez cette colonne count_mr. C'est la partie valeur de la paire clé/valeur mentionnée précédemment. Dans la méthode map, vous devez saisir mrValue.count_mr afin de représenter les valeurs à envoyer vers la partie Reduce.

  6. Cliquez sur le bouton à côté du champ Edit schema afin d'ouvrir l'éditeur de schéma.

  7. Dans la partie tJavaMR du schéma, cliquez sur le bouton afin d'ajouter deux colonnes et renommez-les word_output et count_output, respectivement. Cela permet de définir la structure des données générées en sortie.

  8. Dans la colonne Type, sélectionnez Integer pour count_output.

  9. Dans le champ Map code, modifiez le corps de la méthode map. Dans cet exemple, le code se présente comme suit :

    String line = value.record;
    java.util.StringTokenizer tokenizer = new java.util.StringTokenizer(line);
    while(tokenizer.hasMoreTokens()) {
       mrKey.word_mr = tokenizer.nextToken().toUpperCase();
       mrValue.count_mr = 1;
       output.collect(mrKey, mrValue);
    }

    Cette méthode est utilisée afin de découper les données d'entrée en mots et mettre tous les mots en majuscules. Elle permet également de créer et d'envoyer à la partie Reduce des paires clé/valeur telles que (HELLO, 1) et (WORLD, 1).

    Notez qu'à l'exécution, ces paires sont automatiquement regroupées et triées pour prendre la forme (key, list of values) afin d'être traitées par la méthode reduce.

  10. Dans le champ Reduce code, modifiez le corps de la méthode reduce. Dans cet exemple, le code se présente comme suit :

    int count = 0;
    while(values.hasNext()){
      mrValueStruct value = values.next();
      count += value.count_mr; 
    }    
    outputRow.word_output = key.word_mr;
    outputRow.count_output = count;
    output.collect(NULL, outputRow);

    Cette méthode est utilisée afin de faire la somme des valeurs de la liste dans chaque paire (key, list of values). Ensuite, elle permet de mapper les résultats vers les colonnes du schéma de sortie.

Ecrire les résultats dans HDFS

  1. Double-cliquez sur le tHDFSOutput afin d'ouvrir sa vue Component.

  2. Dans le champ Folder, saisissez le chemin ou parcourez votre système vers le dossier dans lequel vous souhaitez écrire les résultats.

  3. Dans la liste Type, sélectionnez le format de données dans lequel vous souhaitez écrire les résultats, Text file dans cet exemple.

  4. Dans la liste Action, sélectionnez l'opération que vous souhaitez effectuer sur le fichier en question. Si le fichier existe déjà, sélectionnez Overwrite, sinon, sélectionnez Create.

  5. Cochez la case Merge result to single file et saisissez le chemin d'accès ou parcourez votre système jusqu'au fichier dans lequel écrire les données de sortie fusionnées.

  6. Si vous souhaitez effacer les données sources de la fusion, cochez la case Remove source dir. Pour ce scénario, cochez-la.

  7. Si le fichier devant contenir les données fusionnées existe, cochez la case Override target file pour l'écraser.

Exécuter le Job

Appuyez sur F6 afin d'exécuter ce Job.

Cela fait, vous pouvez vérifier les résultats dans la console Web du système HDFS utilisé.

Si vous souhaitez obtenir plus d'informations sur ce Job, utilisez la console Web du JobTracker du système HDFS utilisé.