Duplicate Synchronization MapReduce ジョブの使用

  1. AdvanceMatchFactory のインスタンスを、その静的メソッド getInstance() を使用して作成します。
  2. Duplicate Synchronization ジョブの入力と出力の詳細を指定します。以下の手順に従って、DuplicateSyncDetail を指定する ProcessType のインスタンスを作成することによって、これを行います。このインスタンスは、MRProcessType タイプを使用する必要があります。
    1. GroupbyOption のインスタンスを作成することによって、レコードのグループ化に使用する列を指定します。
      GroupbyMROption のインスタンスを使用して、必要な Group-By 列とリデューサー数を指定します。
    2. DuplicateSynchronizationConfiguration のインスタンスを作成することによって、ジョブの統合条件を生成します。このインスタンスの中で、ConsolidationCondition のインスタンスを使用して統合条件を定義し、論理演算子を使用して条件を組み合わせます。
      ConsolidationCondition の各インスタンスは、ConsolidationRule インスタンスとそれに対応する ConsolidationAction インスタンスを使用して定義されます。
      注: ConsolidationRule の各インスタンスは、SimpleRule の 1 つのインスタンスによって定義するか、または、子の SimpleRule インスタンスとネストされた ConjoinedRule インスタンスが、論理演算子で結合された階層を使用して定義できます。列挙 JoinType、および列挙 Operationを参照してください。
    3. DuplicateSyncDetail のインスタンスを作成します。JobConfig タイプのインスタンスと、上で作成した GroupbyOption インスタンスおよび DuplicateSynchronizationConfiguration インスタンスを、コンストラクタの引数として渡します。
      JobConfig パラメータは、MRJobConfig タイプのインスタンスである必要があります。
    4. inputPath インスタンスの DuplicateSyncDetail フィールドを使用して、入力ファイルの詳細を設定します。
      • テキスト入力ファイルの場合は、適切なコンストラクタを呼び出して、関連する詳細な入力ファイル情報を指定してFilePath のインスタンスを作成します。
      • ORC 入力ファイルの場合、ORC 入力ファイルのパスを引数に指定して OrcFilePath のインスタンスを作成します。
      • PARQUET 入力ファイルの場合、PARQUET 入力ファイルのパスを引数に指定して ParquetFilePath のインスタンスを作成します。
    5. DuplicateSyncDetail インスタンスの outputPath フィールドを使用して、出力ファイルの詳細を設定します。
      • テキスト出力ファイルの場合は、適切なコンストラクタを呼び出して、関連する詳細な出力ファイル情報を指定してFilePath のインスタンスを作成します。
      • ORC 出力ファイルの場合、ORC 出力ファイルのパスを引数に指定して OrcFilePath のインスタンスを作成します。
      • PARQUET 出力ファイルの場合、PARQUET 出力ファイルのパスを引数に指定して ParquetFilePath のインスタンスを作成します。
    6. jobName インスタンスの DuplicateSyncDetail フィールドを使用して、ジョブの名前を設定します。
    7. DuplicateSyncDetail インスタンスの compressOutput フラグを true に設定して、ジョブの出力を圧縮します。
  3. 先ほど作成した AdvanceMatchFactory のインスタンスを使用してそのメソッド createJob() を呼び出し、ジョブを作成します。ここで、上の DuplicateSyncDetail のインスタンスを引数として渡します。
    createJob() メソッドは、List のインスタンスの ControlledJob を返します。
  4. JobControl のインスタンスを使用して、作成したジョブを実行します。
  5. MapReduce ジョブの正常実行後にレポート カウンタを表示するには、先ほど作成した AdvanceMatchFactory のインスタンスを使用して、そのメソッド getCounters() を呼び出します。作成したジョブを引数として渡します。