Propriétés du tHiveInput dans des Jobs Spark Batch - 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

Famille du composant

Databases / Hive

 

Basic settings

Hive storage configuration

Sélectionnez le composant tHiveConfiguration duquel vous souhaitez que Spark utilise les détails de configuration pour se connecter à Hive.

 

HDFS Storage configuration

Sélectionnez le composant tHDFSConfiguration duquel vous souhaitez que Spark utilise les détails de la configuration pour se connecter à un système HDFS donné et transférer les fichiers .jar dépendants à ce système HDFS.

Schema and 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.

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].

 

 

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.

 

Input source

Sélectionnez le type des données d'entrée que vous souhaitez que le tHiveInput lise :

  • Hive table : les champs Database et Table name sont affichés. Vous devez saisir les informations relatives concernant la base de données Hive à laquelle se connecter et la table Hive de laquelle lire les données.

  • Hive query : le champ Hive query est affiché. Vous devez saisir l'instruction de requête Hive à utiliser pour sélectionner les données à utiliser.

  • ORC file : le champ Input file name est affiché et la liste de configuration du stockage Hive est désactivée, car le fichier ORC doit être stocké dans votre système HDFS hébergeant Hive. Saisissez le répertoire où est stocké le fichier à utiliser.

Pour plus d'informations concernant le langage de requêtes Hive, consultez https://cwiki.apache.org/confluence/display/Hive/LanguageManual (en anglais).

Note

Les données compressées en Gzip ou Bzip2 peuvent être traitées via les instructions de requête. Pour plus d'informations, consultez la page https://cwiki.apache.org/confluence/display/Hive/CompressedStorage (en anglais).

Hadoop fournit différents formats de compression permettant de réduire l'espace nécessaire au stockage des fichiers et d'accélérer le transfert de données. Lorsque vous lisez un fichier compressé, le Studio Talend doit le décompresser avant de pouvoir en alimente le flux d'entrée.

Advanced settings

Register Hive UDF jars

Ajoutez les .jar de fonctions personnalisées Hive que vous souhaitez que le tHiveInput utilise. Notez que vous devez définir un alias de fonction pour chaque fonction personnalisée à utiliser dans la table Temporary UDF functions.

Lorsque vous ajoutez une ligne à cette table, cliquez dessus pour afficher le bouton [...]. Cliquez sur ce bouton pour afficher l'assistant d'import du .jar. Via cet assistant, vous pouvez importer les fichiers .jar des fonctions personnalisées que vous souhaitez utiliser.

Une fonction enregistrée est souvent utilisée dans une requête Hive que vous modifiez dans le champ Hive Query de la vue Basic settings. Notez que ce champ Hive Query est affiché uniquement lorsque vous sélectionnez Hive query dans la liste Input source.

 

Temporary UDF functions

Renseignez cette table pour donner à chaque classe de fonction personnalisée importée un nom fonctionnel temporaire à utiliser dans la requête Hive dans le tHiveInput courant.

Utilisation dans des Jobs Spark Batch

Dans un Job Talend Spark Batch, ce composant est utilisé comme composant de début et requiert un lien de sortie. Les autres composants utilisés avec lui doivent également être des composants Spark Batch. Ils génèrent nativement du code Spark pouvant être directement exécuté dans un cluster Spark.

Ce composant doit utiliser un tHiveConfiguration présent au sein du même Job pour se connecter à Hive.

Ce composant, ainsi que la Palette Spark Batch à laquelle il appartient, ne s'affiche que lorsque vous créez un Job Spark Batch.

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.

Log4j

Si vous utilisez une solution Talend soumise à souscription, l'activité de ce composant peut être journalisée avec la fonctionnalité log4j. Pour plus d'informations sur cette fonctionnalité, consultez le Guide utilisateur du Studio Talend.

Pour plus d'informations sur les niveaux de logs du log4j, consultez la documentation d'Apache : http://logging.apache.org/log4j/1.2/apidocs/org/apache/log4j/Level.html (en anglais).

Spark Connection

Vous devez utiliser l'onglet Spark Configuration de la vue Run afin de définir la connexion à un cluster Spark donné pour le Job complet. De plus, puisque le Job attend ses fichiers .jar dépendants pour l'exécution, un (et un seul) composant relatif à un système de fichiers de la famille Storage est requis au sein du même Job, afin que Spark puisse utiliser ce composant pour se connecter au système de fichiers auquel les fichiers .jar dépendants du Job sont transférés :

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