Apache Spark でAzure Data Catalog データをSQL で操作する方法

こんにちは！リードエンジニアの杉本です。

Apache Spark は大規模データ処理のための高速エンジンです。CData JDBC Driver for AzureDataCatalog と組み合わせると、Spark はリアルタイムでAzure Data Catalog データに連携して処理ができます。本記事では、Spark シェルに接続してAzure Data Catalog をクエリする方法について解説します。

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Azure Data Catalog と対話するための高いパフォーマンスを提供します。Azure Data Catalog 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Azure Data Catalog 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Azure Data Catalog を操作して分析できます。

CData JDBC Driver for AzureDataCatalog をインストール

まずは、本記事右側のサイドバーからAzureDataCatalog JDBC Driver の無償トライアルをダウンロード・インストールしてください。30日間無償で、製品版の全機能が使用できます。

Spark Shell を起動してAzure Data Catalog データに接続

1. ターミナルを開き、Spark shell でCData JDBC Driver for AzureDataCatalog JAR file をjars パラメータに設定します: $ spark-shell --jars /CData/CData JDBC Driver for AzureDataCatalog/lib/cdata.jdbc.azuredatacatalog.jar
2. Shell でJDBC URL を使ってAzure Data Catalog に接続し、SQL Context load() function でテーブルを読み込みます。

   Azure Data Catalog 接続プロパティの取得・設定方法

   OAuth 認証で接続

   Azure Data Catalog の認証にはOAuth を使用します。CData 製品では組込みOAuth が利用できるので、接続プロパティを設定することなく接続を試行するだけで、ブラウザ経由でAAS に認証できます。詳しい設定方法については、ヘルプドキュメントの「Azure Data Catalog への認証」セクションを参照してください。

   設定は任意ですが、CatalogName プロパティを設定することでAzure Data Catalog から返されるカタログデータを明示的に指定できます。

   CatalogName：Azure Data Catalog に紐づいているカタログ名に設定。空のままにすると、デフォルトのカタログが使用されます。カタログ名は、「Azure Portal」->「データカタログ」->「カタログ名」から取得できます。

   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、Azure Data Catalog 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.azuredatacatalog.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 azuredatacatalog_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:azuredatacatalog:").option("dbtable","Tables").option("driver","cdata.jdbc.azuredatacatalog.AzureDataCatalogDriver").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. Azure Data Catalog をテンポラリーテーブルとして登録します:

   scala> azuredatacatalog_df.registerTable("tables")

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> azuredatacatalog_df.sqlContext.sql("SELECT DslAddressDatabase, Type FROM Tables WHERE Name = FactProductInventory").collect.foreach(println)

   コンソールで、次のようなAzure Data Catalog データを取得できました！これでAzure Data Catalog との連携は完了です。

CData JDBC Driver for AzureDataCatalog をApache Spark で使って、Azure Data Catalog 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。30日の無償評価版 をダウンロードしてぜひお試しください。