Scénario : Générer des données en doublon d'un flux d'entrée - 6.3

Composants Talend Guide de référence

EnrichVersion
6.3
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

Ce scénario décrit un Job simple générant un échantillon de données en doublon d'un flux d'entrée à l'aide des théories des probabilités et des critères spécifiés sur trois colonnes : Name, City et DOB (date of birth).

Voici une capture d'écran des données d'exemple du flux d'entrée :

Construire le Job

  1. Déposez les composants suivants de la Palette dans l'espace de modélisation graphique : un tFileInputDelimited, un tDuplicateRow et un tFileOutputDelimited.

  2. Reliez les composants à l'aide de liens Row > Main.

Configurer les données d'entrée

  1. Double-cliquez sur le tFileInputDelimited pour afficher sa vue Basic settings et définir les propriétés du composant.

  2. Dans le champ File name/Stream, parcourez votre système jusqu'au fichier à utiliser comme flux d'entrée principal.

    Ce fichier contient des informations concernant les clients.

  3. Au besoin, saisissez le séparateur de lignes et le séparateur de champs, respectivement dans les champs CSV Row Separator et Field Separator. Renseignez également l'en-tête et le pied de page, si nécessaire, dans les champs Header et Footer, respectivement.

  4. Cliquez sur le bouton [...] à côté du champ Edit schema pour ouvrir une boîte de dialogue et définir le schéma d'entrée. Selon la structure du fichier d'entrée, le schéma se compose de dix colonnes.

  5. Cliquez sur le bouton [+] et définissez les colonnes d'entrée dans la boîte de dialogue, comme dans la capture d'écran ci-dessus. Cliquez sur OK pour fermer la boîte de dialogue.

  6. Si nécessaire, cliquez-droit sur le tFileInputDelimited et sélectionnez Data Viewer afin d'afficher une vue des données d'entrée.

Configurer les données dupliquées

  1. Double-cliquez sur le tDuplicateRow pour afficher sa vue Basic settings et définir ses propriétés.

  2. Cliquez sur le bouton Edit schema pour voir les colonnes d'entrée et de sortie et apporter des modifications au schéma de sortie, si nécessaire.

    Le schéma de sortie de ce composant contient une colonne en lecture seule, ORIGINAL_MARK. Cette colonne indique, par true ou false, si l'enregistrement est un enregistrement original ou un doublon. Il y a un seul enregistrement original par groupe de doublons.

  3. Dans le champ Percentage of duplicated records, saisissez le pourcentage de lignes dupliquées que vous souhaitez avoir dans le flux de sortie.

  4. Dans la zone Distribution of duplicates, sélectionnez la distribution Bernoulli distribution (théorie des probabilités) que vous souhaitez utiliser pour générer des doublons. Configurez une moyenne du nombre d'enregistrements en doublon que vous souhaitez obtenir dans chaque groupe.

  5. Cliquez quatre fois sur le bouton [+] sous la table Modifications pour ajouter quatre lignes à la table.

    Cette table vous permet de définir les valeurs à modifier dans une colonne donnée et de les modifier afin de générer des doublons :

    1. Dans la colonne Input Column, sélectionnez la colonne du flux d'entrée à partir de laquelle vous souhaitez générer les doublons, Name, City et DOB dans cet exemple.

      Lorsque vous ajoutez une même colonne deux fois dans la table et que vous sélectionnez différentes fonctions, vous générez des doublons du même champ avec différentes valeurs. Par exemple, dans ce scénario, modifiez les noms en doublon à l'aide de la fonction Soundex replace, avec une probabilité de 50 %, puis modifiez-les à nouveau à l'aide de la fonction Exchange characters avec une probabilité de 50 %. Cela signifie que le champ Name de l'enregistrement en doublon peut n'avoir pas été modifié après la seconde fonction avec la probabilité suivante : (1-0.5)*(1-0.5) = 0.25.

      Si vous souhaitez vous assurer que tous les enregistrements en doublon sont modifiés, saisissez 1 dans la colonne Modification Rate.

    2. Dans la colonne Modification Rate, saisissez une probabilité pour les enregistrements en doublon que vous souhaitez générer depuis la colonne d'entrée.

    3. Dans la liste Function, sélectionnez la fonction décidant des modifications à apporter à une valeur afin de la dupliquer.

      Dans cet exemple, il y a des noms dupliqués ayant des sons et caractères différents et des noms de villes ayant des sons différents. Les valeurs des dates dans la colonne des dates de naissance sont modifiées au hasard.

    4. Dans la colonne Max Modification Count, saisissez un nombre maximal de valeurs à modifier dans chaque champ.

  6. Cliquez sur l'onglet Advanced settings et saisissez un nombre dans le champ Seed for random generator.

    En saisissant un nombre dans ce champ, vous générez l'échantillon de données dupliquées pour chaque exécution du Job. Modifiez la valeur si vous souhaitez générer un échantillon différent.

Configurer le composant de sortie

  1. Double-cliquez sur le tFileOutputDelimited pour afficher sa vue Basic settings et définir ses propriétés.