معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Spark extensions for Feast

ویژگی	مقدار
سیستم عامل	-
نام فایل	feast-spark-0.2.9
نام	feast-spark
نسخه کتابخانه	0.2.9
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Feast
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/feast-dev/feast-spark
آدرس اینترنتی	https://pypi.org/project/feast-spark/
مجوز	Apache

# Feast Spark Contains * Spark ingestion jobs for [Feast](https://github.com/feast-dev/feast) versions 0.9 and below * Feast Job Service * Feast Python SDK Spark extensions Usage: ```python import feast_spark import feast client = feast.Client() client.set_project("project1") entity = feast.Entity( name="driver_car_id", description="Car driver id", value_type=ValueType.STRING, labels={"team": "matchmaking"}, ) # Create Feature Tables using Feast SDK batch_source = feast.FileSource( file_format=ParquetFormat(), file_url="file://feast/*", event_timestamp_column="ts_col", created_timestamp_column="timestamp", date_partition_column="date_partition_col", ) stream_source = feast.KafkaSource( bootstrap_servers="localhost:9094", message_format=ProtoFormat("class.path"), topic="test_topic", event_timestamp_column="ts_col", ) ft = feast.FeatureTable( name="my-feature-table-1", features=[ Feature(name="fs1-my-feature-1", dtype=ValueType.INT64), Feature(name="fs1-my-feature-2", dtype=ValueType.STRING), Feature(name="fs1-my-feature-3", dtype=ValueType.STRING_LIST), Feature(name="fs1-my-feature-4", dtype=ValueType.BYTES_LIST), ], entities=["fs1-my-entity-1"], labels={"team": "matchmaking"}, batch_source=batch_source, stream_source=stream_source, ) # Register objects in Feast client.apply(entity, ft) # Start spark streaming ingestion job that reads from kafka and writes to the online store feast_spark.Client(client).start_stream_to_online_ingestion(ft) ```

نیازمندی

مقدار	نام
<0.10.0,>=0.9.8	feast
==7.*	Click
==1.22.4	google-api-core
==1.18.*	google-cloud-bigquery
==1.20.*	google-cloud-storage
==1.0.*	google-cloud-core
==1.52.*	googleapis-common-protos
==0.7.*	google-cloud-bigquery-storage
==2.0.2	google-cloud-dataproc
==12.0.*	kubernetes
==1.31.0	grpcio-tools
==2.5	mypy-protobuf
==1.*	croniter
==4.1.*	redis
==2.0.0	pyarrow
>=1.0.5	pandas
==0.14.0	prometheus-client
==1.*	mypy-protobuf
==1.*	grpcio-testing
==0.13.2	great-expectations
==3.0.1	pyspark

زبان مورد نیاز

مقدار	نام
>=3.6.0	Python

نحوه نصب

نصب پکیج whl feast-spark-0.2.9:

pip install feast-spark-0.2.9.whl

نصب پکیج tar.gz feast-spark-0.2.9:

pip install feast-spark-0.2.9.tar.gz