Apache Spark でAvro データをSQL で操作

Apache Spark は大規模データ処理のための高速で一般的なエンジンです。CData JDBC Driver for Avro と組み合わせると、Spark はリアルタイムAvro にデータ連携して処理ができます。ここでは、Spark シェルに接続してAvro をクエリする方法について説明します。

CData JDBC Driver は、最適化されたデータ処理がドライバーに組み込まれているため、リアルタイムAvro と対話するための高いパフォーマンスを提供します。Avro に複雑なSQL クエリを発行すると、ドライバーはフィルタや集計など、サポートされているSQL操作を直接Avro にプッシュし、組込みSQL エンジンを使用してサポートされていない操作（SQL 関数やJOIN 操作）をクライアント側で処理します。組み込みの動的メタデータクエリを使用すると、ネイティブデータ型を使用してAvro を操作して分析できます。

CData JDBC Driver for Avro をインストール

CData JDBC Driver for Avro インストーラをダウンロードし、パッケージを解凍し、JAR ファイルを実行してドライバーをインストールします。

Spark Shell を起動してAvro データに接続

1. ターミナルを開き、Spark shell でCData JDBC Driver for Avro JAR file をjars パラメータに設定します: $ spark-shell --jars /CData/CData JDBC Driver for Avro/lib/cdata.jdbc.avro.jar
2. Shell でJDBC URL を使ってAvro に接続し、SQL Context load() function でテーブルを読み込みます。 URI 接続プロパティをAvro ファイルの場所に設定して、ローカルのAvro ファイルに接続します。

   組み込みの接続文字列デザイナー

   JDBC 接続文字列URL の作成には、Avro JDBC Driver にビルトインされたデザイナを使用できます。JAR ファイルをダブルクリックするか、コマンドラインでJAR ファイルを実行するとデザイナが開きます。

   java -jar cdata.jdbc.avro.jar

   接続プロパティを入力し、接続文字列をクリップボードにコピーします。

   scala> val avro_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:avro:URI=C:/folder/table.avro").option("dbtable","SampleTable_1").option("driver","cdata.jdbc.avro.AvroDriver").load()
3. 接続が完了し、データがロードされたら、テーブルスキーマが表示されます。

4. Avro をテンポラリーテーブルとして登録します:

   scala> avro_df.registerTable("sampletable_1")

5. データに対して、次のようなカスタムSQL クエリを実行します:

   scala> avro_df.sqlContext.sql("SELECT Id, Column1 FROM SampleTable_1 WHERE Column2 = value_2").collect.foreach(println)

   You will see the results displayed in the console, similar to the following:

CData JDBC Driver for Avro をApache Spark で使って、Avro に対して、複雑かつハイパフォーマンスなクエリを実行できます。是非、30日の無償試用版 をダウンロードしてお試しください。