設定ファイル

これらの表には、Intraflow Match ジョブを実行する前に指定する必要があるパラメータと値が記載されています。

表 1. inputFileConfig
パラメータ 説明
pb.bdq.input.type 入力ファイルの種類。値は TEXT、ORC、PARQUET のいずれかです。
pb.bdq.inputfile.path 入力ファイルを HDFS 上に置いたパス。例: /user/hduser/sampledata/intramatch/input/Intraflow_Input.txt。
textinputformat.record.delimiter テキスト タイプの入力ファイルで使用されるファイル レコード区切り文字。例えば、LINUX、MACINTOSH、またはWINDOWS
pb.bdq.inputformat.field.delimiter カンマ (,) またはタブなど、入力ファイルで使用されるフィールドまたは列の区切り文字。
pb.bdq.inputformat.text.qualifier 入力ファイルの列またはフィールドのテキスト修飾子 (存在する場合)。
pb.bdq.inputformat.file.header 入力ファイルで使用されるヘッダー。例: name、firstname、lastname、matchkey、middlename、recordid
pb.bdq.inputformat.skip.firstrow 最初の行をスキップするかどうか。値は True または False です。True はスキップを示します。
表 2. intraMatchConfig
パラメータ 説明
pb.bdq.job.type これは、ジョブを定義する定数値です。このジョブの値は、IntraMatch です。
pb.bdq.job.name ジョブの名前。デフォルトは IntraMatchSample です。
pb.bdq.match.rule マッチ ルールを定義する Json 文字列。マッチ ルール階層、マッチング方法、フィールド内のブランク データをスコアリングする方法、スコアリング方法、フィールド名の値が一致するかどうかを判断するアルゴリズムなどの詳細を指定します。
pb.bdq.match.groupby マッチ キューのレコードをグループ化するために使用される列の名前。
pb.bdq.reduce.count 実行されるリデューサーの数。デフォルトは 1 です。
pb.bdq.match.express.column Express マッチ列の名前。この列の内容がサスペクトと候補の間で合致する場合、サスペクトと候補が重複しているかどうかを判断するための処理は必要ありません。
pb.bdq.match.keygenerator.json expressMatchKey を使用するかどうか、matchKeyField の名前、使用するアルゴリズムなど、Match Key Generator のルールを定義する Json 文字列。
注: これはオプションの詳細です。
pb.bdq.match.unique.collectnumber.zero 値が true のときユニーク レコードにコレクション番号 0 を割り当てます。
表 3. mapReduceConfig
MapReduce 設定パラメータを指定します。
ジョブでの必要性に応じて、mapreduce.map.memory.mb、mapreduce.reduce.memory.mb、mapreduce.map.speculative などの MapReduce パラメータをカスタマイズします。
注: このファイルは MapReduce ジョブでのみ使用します。
表 4. 出力ファイル設定
パラメータ 説明
pb.bdq.output.type 出力が TEXT、ORC、または PARQUET 形式の場合に指定します。
outputfile.path HDFS で出力ファイルを生成するパス。例えば、/user/hduser/sampledata/intramatch/output。
pb.bdq.outputformat.field.delimiter カンマ (,) またはタブなどの出力ファイルのフィールドまたは列の区切り文字。
pb.bdq.output.overwrite 値が true のとき、出力フォルダはジョブが実行されるたびに上書きされます。
pb.bdq.outputformat.headerfile.create 出力ファイルにヘッダーが必要な場合は、true を指定します。
pb.bdq.job.print.counters.console カウンタをコンソールまたはファイルに出力するかどうか。Trueは、コンソールにカウンタを出力することをます。
pb.bdq.job.counter.file.path カウンタが出力されるパスとファイルの名前。pb.bdq.job.print.counters.console の値が false の場合は、これを指定する必要があります。
Parquet ファイルのプロパティ
parquet.compression ページの圧縮に使用する圧縮アルゴリズム。UNCOMPRESSED、SNAPPY、GZIP、LZO のいずれかを指定します。

デフォルトは UNCOMPRESSED です。
parquet.block.size メモリにバッファリングされる行グループのサイズ。

値を大きくするほど読み込み時の I/O が向上しますが、書き込み時のメモリ消費が大きくなります。

デフォルトのサイズは 134217728 バイト (= 128 * 1024 * 1024) です。
parquet.page.size ページはブロックを構成し、単一レコードにアクセスするために完全に読み込む必要がある最小単位です。
デフォルトのサイズは 1048576 バイト (= 1 * 1024 * 1024) です。
注: ページ サイズが小さすぎると、圧縮に支障が生じます。
parquet.dictionary.page.size デフォルトのサイズは 1048576 バイト (= 1 * 1024 * 1024) です。
parquet.enable.dictionary 辞書エンコーディングの有効または無効を指定する boolean 値 (True または False)。デフォルトは True です。
parquet.validation デフォルトの boolean 値は False です。
parquet.writer.version Writer のバージョンを指定します。PARQUET_1_0 または PARQUET_2_0 を指定する必要があります。デフォルトは PARQUET_1_0 です。
parquet.writer.max-padding デフォルト設定は、パディングなし、行グループ サイズの 0% です。
parquet.page.size.check.estimate デフォルトの boolean 値は True です。
parquet.page.size.row.check.min デフォルト値は 100 です。
parquet.page.size.row.check.max デフォルト値は 10000 です。