ETL/ELT のEmbulk を使ってAlfresco データをDB にロードする方法

Embulk は、大量のデータをDB、クラウドデータストア、DWH にロードできるオープンソースETL ツールです。近頃のトレンドでは、1社で複数のオンプレアプリやSaaS を使っており、データ分析にはETL/ELT ツールを使ってデータを丸ごとDB/DWH にロードしてから、分析やビジュアライズをすることが主流になっています。Embulk には、いろいろなプラグインがあり、多様なInput とOutput 処理をサポートしています。この記事では、Embulk のJDBC Input Plugin と CData Drivers for Alfresco を使って、Alfresco のデータを簡単にDB にロードします。この例ではロード先のDB にはMySQL を使います。

※製品について詳しい情報をご希望の方は以下からお進みください。

• Alfresco にほかのBI、ETL、開発ツールから接続したい：Alfresco データ連携ガイドおよびチュートリアルのリストへ
• Alfresco Drivers について詳細を知りたい：ドライバー詳細情報ページへ
• ほかのデータソースに連携したい：CData Drivers 一覧へ
• ドライバーの30日の無償トライアル版を使いたい：トライアル版ダウンロードページへ
• 製品の利用やライセンスについて相談したい：sales@cdata.co.jp までメールにてご相談ください。

Embulk でCData JDBC Driver for Alfresco データをロード

• CData JDBC Driver for Alfresco をEmbulk と同じマシンにインストールします。
• 以下のパスにJDBC Driver がインストールされます。後ほどこのパスを使います。
  C:\Program Files\CData\CData JDBC Driver for Alfresco 2019J\lib\cdata.jdbc.alfresco.jar
  
• 次に、EmbulkとCData JDBC Driverをつなぎこむための、JDBC Input Plugin をインストールします。
  https://github.com/embulk/embulk-input-jdbc/tree/master/embulk-input-jdbc
embulk gem install embulk-input-jdbc
• 今回はロード先DB としてMySQL を使います。ほかにもSQL Server、PostgreSQL、Google BigQuery などを使うことも可能です。
  https://github.com/embulk/embulk-output-jdbc/tree/master/embulk-output-mysql embulk gem install embulk-output-mysql
• config ファイルを作成し、Alfresco -> MySQL のジョブを作成します。alfresco-mysql.yml というファイル名で作成しました。

            
                in:
                    type: jdbc
                    driver_path: C:\Program Files\CData\CData JDBC Driver for Alfresco 2019J\lib\cdata.jdbc.alfresco.jar
                    driver_class: cdata.jdbc.alfresco.AlfrescoDriver
                    url: jdbc:alfresco:User=MyUsername; Password=MyPassword; Format=Solr; InstanceUrl=api-explorer.alfresco.com;
                    table: "Alfresco"
                out: 
                    type: mysql
                    host: localhost
                    database: DatabaseName
                    user: UserId
                    password: UserPassword
                    table: "Alfresco"
                    mode: insert
            
        

• ポイントはJDBC URLです。

  Alfresco に接続するには、次の接続プロパティを指定する必要があります：User、Password、およびInstanceURL。User およびPassword は、Web ブラウザでAlfresco にアクセスするために使用するログインクレデンシャルに対応している必要があります。InstanceURL はクエリするAlfresco インスタンスに対応します。例えば、クエリをhttps://search-demo.dev.alfresco.me/alfresco/api/-default-/public/search/versions/1/sql にヒットさせたい場合は、InstanceURL にsearch-demo.dev.alfresco.me を指定する必要があります。

• テーブル名は取得したいテーブル名を入れます。
• これで準備完了です。あとは「embulk run」で実行するだけです。
embulk run alfresco-mysql.yml
• 実行後、MySQL Workbenchからテーブルを確認してみると、データが取得できているはずです。

クエリ条件でフィルタリングしたデータのロード

ちなみに、上記の例ではテーブル名を直接指定しましたが、以下のようにSQL Queryを書いてもいいです。 Where句で作成日や修正日を指定すれば、最新のデータだけを対象にすることも可能です。

        
            in:
            type: jdbc
            driver_path: C:\Program Files\CData\CData JDBC Driver for Alfresco 2019J\lib\cdata.jdbc.alfresco.jar
            driver_class: cdata.jdbc.alfresco.AlfrescoDriver
            url: jdbc:alfresco:User=MyUsername; Password=MyPassword; Format=Solr; InstanceUrl=api-explorer.alfresco.com;
                query: "SELECT DBID, Column1 FROM Alfresco WHERE [RecordId] = 1"
            out: 
                type: mysql
                host: localhost
                database: DatabaseName
                user: UserId
                password: UserPassword
                table: "Alfresco"
                mode: insert
        
    

CData JDBC Driver for Alfresco をEmbulk で使うことで、Alfresco コネクタとして機能し、簡単にデータを取得して同期することができました。ぜひ、30日の無償評価版 をお試しください。