Propriétés du tHiveOutput pour Apache Spark Batch - 7.1

Hive

author
Talend Documentation Team
EnrichVersion
7.1
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 ESB
Talend Open Studio for MDM
Talend Real-Time Big Data Platform
task
Création et développement > Systèmes tiers > Composants Database > Composants Hive
Gouvernance de données > Systèmes tiers > Composants Database > Composants Hive
Qualité et préparation de données > Systèmes tiers > Composants Database > Composants Hive
EnrichPlatform
Studio Talend

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

Le composant tHiveOutput Spark Batch appartient à la famille Databases.

Le composant de ce framework est disponible dans tous les produits Talend avec Big Data nécessitant souscription et dans Talend Data Fabric.

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. Ce champ est utile uniquement lorsque vous utilisez une distribution on-premises.

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.

Modifiez le schéma en cliquant sur Edit Schema. Si le schéma est en mode Repository, trois options sont disponibles :

  • View schema : sélectionnez cette option afin de voir uniquement 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, cliquez sur No et sélectionnez à nouveau la métadonnée du schéma dans la fenêtre Repository Content.

 

Built-in : le schéma est créé et conservé localement pour ce composant seulement. scénario associé : consultez le Guide utilisateur du Studio Talend .

 

Repository : le schéma existe déjà et est stocké dans le Repository. Ainsi, il peut être réutilisé dans divers projets et Jobs. Scénario associé : consultez le Guide utilisateur du Studio Talend .

Output source

Sélectionnez le type de données de sortie que vous souhaitez que le tHiveOutput modifie :

  • Hive table : les champs Database et Table name, ainsi que la liste Table format et la case Enable Hive partitions sont affichés. Vous devez saisir les informations relatives concernant la base de données Hive à laquelle se connecter et la table Hive à modifier.

    Par défaut, le format des données de sortie est JSON, mais vous pouvez le modifier en ORC ou Parquet en sélectionnant l'option correspondante dans la liste Table format.

  • ORC file : le champ Output folder 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. Vous devez saisir le répertoire dans lequel les données de sortie sont écrites.

Save mode

Sélectionnez le type de modifications à effectuer relatives à la table Hive cible.
  • Lorsque vous remplissez une nouvelle table vide, vous devez utiliser le mode Append et cocher la case Retrieve table schema from Hive metastore.

Enable Hive partitions

Cochez la case Enable Hive partitions et, dans la table Partition keys, définissez les partitions pour la table Hive que vous créez ou modifiez. Dans la table Partition keys, sélectionnez les colonnes de schéma d'entrée du tHiveOutput à utiliser comme clés de partitions.

Gardez à l'esprit :
  • Lorsque le type de mode Save mode à utiliser est Append, ce qui signifie que vous ajoutez des données à une table Hive existant, les colonnes de partition sélectionnées dans la table Partition keys doivent déjà être des clés de partitions de la table Hive à mettre à jour.

  • Une table Hive partitionnée créée par le tHiveOutput peut être lue uniquement par le tHiveInput, à cause de limitations liées à Spark. Si vous devez lire votre table partitionnée uniquement à travers Hive, il est recommandé d'utiliser le tHiveRow ou le tHiveCreateTable dans un Job Standard afin de créer cette table et utiliser un tHiveOutput pour écrire des données à la suite.

  • Définir des colonnes comme clés de partitions ne modifie pas vos données mais crée uniquement des sous-dossiers à l'aide des clés de partition et met des données dans ces dossiers.

Advanced settings

Sort columns alphabetically Cochez cette case pour trier les colonnes du schéma par ordre alphabétique. Si vous laissez cette case décochée, ces colonnes conservent l'ordre défini dans l'éditeur du schéma.
Use Timestamp format for Date type Cochez cette case écrire en sortie les dates, les heures, les minutes et les secondes contenues dans vos données de type Date. Si vous ne cochez pas cette case, seuls les années, les mois et les jours sont écrits en sortie.

Utilisation

Règle d'utilisation

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

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.

Spark Connection

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.