Étape Export to Parquet

Description

Écrit une table de projet dans un compte de documents sous la forme d’un fichier Apache Parquet. Parquet stocke les données par colonne plutôt que par ligne ; il se compresse donc bien mieux que CSV sur les tables larges et permet à un lecteur en aval de ne charger que les colonnes dont il a besoin.

C’est généralement le bon choix pour transmettre de grandes tables à une plateforme de données cloud ou à un workflow de science des données. Les types — entiers, décimaux, dates et horodatages — sont conservés, et une colonne de nombres entiers reste une colonne d’entiers même lorsque certaines de ses valeurs sont vides. Associez-le à Import Parquet.

Éléments de configuration propres à l’étape

Compression

Parquet compresse par segment de colonne :

Snappy — lecture la plus rapide, taille de fichier moyenne
Zstandard — fichiers plus petits, nécessite un lecteur compatible avec Zstandard 0.8 ou version ultérieure

Préfixe du fichier cible

Lorsque l’étape exporte une table vers un seul fichier et que la valeur se termine déjà par .parquet, par exemple Loadfile1.parquet, le fichier est écrit exactement sous ce nom. Sinon, la valeur est un préfixe : chaque table est écrite sous la forme <prefix><table name>.parquet.

Un seul fichier par table

Les exportations Parquet écrivent un fichier par table. Le choix d’écrire plusieurs fichiers est refusé avec un message l’indiquant ; décochez ce choix pour exécuter l’exportation.

Si le fichier existe

Un fichier qui existe déjà (if_exists), sous Si le fichier existe sur la page Paramètres du fichier :

L’écraser (overwrite, par défaut) remplace un fichier déjà présent.
Faire échouer l’étape sans rien écrire (fail) arrête l’étape sans rien écrire lorsqu’un fichier qu’elle écrirait existe déjà.

Éléments de configuration communs

Sélecteur de fichier d’export

Le sélecteur de fichier de cette transformation vous permet de choisir une destination pour stocker le résultat exporté dans un document PlaidCloud.

Vous choisissez un répertoire et indiquez un nom de fichier pour le fichier cible.

Table source

Option dynamique

L’option dynamique permet de spécifier une table à l’aide de texte, y compris des variables. C’est utile dans les workflows pilotés par des variables, où les références de tables et de vues sont relatives aux variables spécifiées.

Exemple qui utilise la variable current_month pour pointer dynamiquement vers la table source :

legal_entity/inputs/{current_month}/ledger_values

Option statique

Lorsque vous souhaitez une table précise comme source de l’export, laissez la case Dynamique décochée et sélectionnez la table source.

L’Explorateur de tables est toujours disponible pour toute sélection de table. Cliquez sur le bouton Explorateur de tables à droite de la sélection de table : une fenêtre Explorateur de tables s’ouvre.

Sélection d’un compte de documents

Choisissez un compte de documents PlaidCloud auquel vous avez accès. Cela vous permet de sélectionner un répertoire dans la sélection suivante.

Dans un projet, la liste propose aussi Projet par défaut tout en haut : il représente le compte actuellement défini comme compte par défaut du projet. Une nouvelle étape présélectionne Projet par défaut lorsque le projet en a un ; une étape existante conserve le compte avec lequel elle a été enregistrée jusqu’à ce que vous le changiez. Une étape laissée sur Projet par défaut s’exécute avec le compte qui est le compte par défaut du projet au moment de l’exécution ; si aucun n’est défini, l’exécution échoue et nomme le projet au lieu de se rabattre sur un autre compte.

Chemin du répertoire cible

Sélectionnez l’icône Parcourir à droite du Chemin du répertoire cible et accédez à l’emplacement où vous souhaitez enregistrer le fichier.

Nom du fichier cible

Indiquez le nom sous lequel le fichier exporté doit être enregistré.

Configuration du Data Mapper

Table Data Mapper

Le Data Mapper sert à mapper les colonnes des données source vers la table de données cible.

Inspection et remplissage du mappeur

Le bouton de menu Inspecter la source offre d’autres façons de mapper les colonnes de la source vers la cible :

Renseigner les deux tables de mappage : propage toutes les valeurs de la table de données source vers la table de données cible. C’est le comportement par défaut.
Renseigner uniquement la table de mappage source : mappe uniquement toutes les valeurs de la table de données source. C’est utile pour modifier un workflow existant lorsque la structure des colonnes source a changé.
Renseigner uniquement la table de mappage cible : propage toutes les valeurs vers la table de données cible uniquement.

Si les options de colonnes source et cible ne suffisent pas, vous pouvez ajouter d’autres colonnes à la table de données cible de plusieurs façons :

Tout propager insère toutes les colonnes source dans la table de données cible, qu’elles existent déjà ou non.
Propager la sélection insère uniquement la ou les colonnes source sélectionnées.
Faites un clic droit côté cible et sélectionnez Insérer une ligne pour insérer une ligne juste au-dessus de la ligne actuellement sélectionnée.
Faites un clic droit côté cible et sélectionnez Ajouter une ligne pour insérer une ligne en bas (à l’extrême droite) de la table de données cible.

Suppression de colonnes

Pour supprimer des colonnes de la table de données cible, sélectionnez la ou les colonnes voulues, puis faites un clic droit et sélectionnez Supprimer.

Colonnes source qui ne sont plus listées

Une ligne cible peut nommer une Colonne source que la table de données source ne liste plus, par exemple après une nouvelle inspection de la source. L’étape ne supprime jamais une telle ligne à votre place. À la place, le nom de la colonne s’affiche en rouge derrière un signe d’avertissement ⚠, et le survol indique que la colonne ne figure pas dans les colonnes source. Dans une étape à plusieurs tables, comme une union, chaque table est vérifiée par rapport à ses propres colonnes source.

Une ligne avec une Constante, une Expression ou un résumé Nombre (valeurs nulles incluses) n’est jamais signalée, car l’étape ne lit pas sa colonne source. Rien n’est signalé tant que la table de données source ne liste aucune colonne, par exemple avant la première inspection de la source.

Lorsque vous enregistrez une étape qui contient encore des lignes signalées, une boîte de dialogue Colonnes obsolètes détectées les liste sous l’onglet ou la table concernés, et propose trois choix :

Tout supprimer et enregistrer : supprime les lignes signalées, puis enregistre.
Enregistrer quand même : enregistre l’étape telle quelle.
Annuler : retourne à l’étape sans enregistrer.

Pour conserver une ligne et faire disparaître son avertissement, rajoutez la colonne à la table de données source, ou choisissez une colonne que la table de données source liste.

Colonnes absentes de la table source

Lorsque vous enregistrez, la table de données source elle-même est vérifiée dans son état actuel. Une colonne que l’étape liste dans ses colonnes source mais que la table n’a pas, par exemple une colonne qu’une étape précédente a renommée ou supprimée, signifie que les colonnes de l’étape sont obsolètes, et une étape qui lit une telle colonne échoue à l’exécution. L’enregistrement ouvre alors une boîte de dialogue Colonnes source manquantes qui nomme chaque table et les colonnes qui lui manquent, avec deux choix :

Enregistrer quand même : enregistre l’étape telle quelle.
Annuler : revient à l’étape sans enregistrer.

Rien n’est supprimé à votre place, car la table peut être la source du problème et peut encore changer avant l’exécution de l’étape. Lorsque des lignes sont aussi signalées comme n’étant plus listées, les deux apparaissent ensemble dans la boîte de dialogue Colonnes obsolètes détectées, et Tout supprimer et enregistrer ne supprime que les lignes signalées. Tant que la liste des colonnes source est vide, ce sont les colonnes mappées par l’étape qui sont vérifiées, à l’exception des lignes ayant un résumé Constante, Expression ou Nombre (valeurs nulles incluses), qui ne lisent aucune colonne.

Une source nommée à l’aide d’une variable, telle que {year}/Sales, est vérifiée selon la valeur de la variable au moment de l’enregistrement, et la boîte de dialogue nomme la table vérifiée, par exemple 2026/Sales (from {year}/Sales). Une variable définie par une boucle contient la valeur de sa dernière itération ; une boucle sur des tables de formes différentes peut donc avertir à propos d’une table que la prochaine exécution ne lira pas. Une table qui n’existe pas encore, par exemple une table créée par une étape antérieure du workflow, n’est pas vérifiée, pas plus qu’une source dont la variable n’a pas de valeur, qu’une table que l’étape trouve par recherche à l’exécution ou qu’une table qui ne peut pas être lue pour le moment.

Type de données d’une colonne

Chaque colonne cible possède un Type. Une colonne propagée depuis la source conserve le type de la colonne source ; une ligne que vous ajoutez à la main est de type Texte au départ, et vous définissez le Type pour indiquer ce qu’elle doit réellement être : une colonne que vous comptez additionner ou trier a besoin de son type numérique ou date, car le texte se trie et s’additionne comme du texte.

Une étape enregistrée avec une colonne sans aucun type s’exécute malgré tout. Le type est déterminé au démarrage de l’étape, à partir de la colonne source que cette colonne lit. Lorsqu’il n’y a rien à partir duquel le déduire, il est traité comme du texte : les colonnes d’une étape Extraire SQL proviennent de la requête que vous avez écrite et non d’une source mappée, et lorsque plusieurs sources portent le même nom de colonne avec des types qui divergent, le texte est utilisé plutôt que d’en deviner un : une mauvaise supposition produit une conversion que l’entrepôt peut rejeter, alors que tout se convertit en texte.

Définir vous-même le Type reste la façon d’indiquer ce qu’une colonne doit être. Le laisser vide revient à accepter ce que la colonne source se trouve être.

Modification de l’ordre des colonnes

Pour réorganiser les colonnes de la table de données cible, sélectionnez la ou les colonnes voulues. Vous pouvez utiliser l’une ou l’autre des méthodes suivantes :

Flèches de déplacement groupé : sélectionnez l’option de déplacement voulue avec les flèches en haut à droite.
Menu contextuel : faites un clic droit et sélectionnez Déplacer en haut, Monter, Descendre ou Déplacer en bas.

Réduire le résultat aux seuls enregistrements distincts

Pour ne renvoyer que des valeurs distinctes, sélectionnez l’option de menu Distinct. Un ensemble de cases à cocher s’affiche pour chaque colonne de la source. Il suffit de cocher la case en regard d’une colonne pour ne renvoyer que des résultats distincts.

Selon la situation, vous pouvez envisager d’utiliser plutôt la synthèse.

Le processus de distinction conserve le premier enregistrement unique trouvé et écarte les autres. Vous pouvez appliquer un tri aux données s’il est important d’obtenir des résultats cohérents d’une exécution à l’autre.

Agrégation et regroupement

Pour agréger les résultats, sélectionnez l’option de menu Résumer. Un ensemble de listes de sélection s’affiche pour chaque colonne de la table de données cible. Choisissez une méthode de synthèse adaptée à chaque colonne.

Lorsque Inspecter la source remplit les colonnes, une colonne numérique commence à Regrouper par plutôt qu’à Somme si son nom ressemble à un identifiant, comme id, customer_id, Order No ou CustomerKey, si sa table la définit comme une clé, ou si la jointure l’utilise comme clé.

Regrouper par
Somme
Min
Max
Premier
Dernier
Nombre
Nombre (valeurs nulles incluses)
Moyenne
Écart type
Écart type d’échantillon
Écart type de population
Variance
Variance d’échantillon
Variance de population
Avancé hors regroupement

Pour une utilisation avancée du Data Mapper, comme les expressions, le nettoyage et les constantes, consultez Utilisation avancée du Data Mapper.

Filtres de données de la table

Pour offrir un maximum de souplesse, des filtres de données sont disponibles sur les données source et sur les données cible. Pour les jeux de données volumineux, il peut être particulièrement avantageux de filtrer les lignes dès la source afin que les opérations suivantes portent sur un jeu de données plus petit.

Sélectionner un sous-ensemble de données

Ce type de filtre permet de filtrer les données source entrantes selon les conditions spécifiées.

Appliquer un filtre secondaire aux données de résultat

Ce type de filtre permet d’appliquer un filtre aux données de résultat après transformation, selon les conditions spécifiées. La possibilité d’appliquer un filtre au résultat transformé permet d’exclure des lignes en fonction du résultat de calculs complexes, de synthèses ou de fonctions de fenêtrage.

Découpage final de la table de données (limite)

Le découpage des lignes permet de limiter les lignes du jeu de résultats selon une plage et un point de départ.

Syntaxe des filtres

La syntaxe des filtres utilise Python SQLAlchemy, qui est la même syntaxe que celle des autres expressions.

Consultez des exemples et des fonctions d’expression dans la section Expressions.