ETL/ELT のEmbulk を使ってAzure Data Catalog 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 Driver for AzureDataCatalog を使って、Azure Data Catalog 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。

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

• CData JDBC Driver for AzureDataCatalog 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 AzureDataCatalog 2019J\lib\cdata.jdbc.azuredatacatalog.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、Azure Data Catalog -> MySQL のジョブを作成します。azuredatacatalog-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 AzureDataCatalog 2019J\lib\cdata.jdbc.azuredatacatalog.jar
                    driver_class: cdata.jdbc.azuredatacatalog.AzureDataCatalogDriver
                    url: jdbc:azuredatacatalog:InitiateOAuth=REFRESH
                    table: "Tables"
                out: 
                    type: mysql
                    host: localhost
                    database: DatabaseName
                    user: UserId
                    password: UserPassword
                    table: "Tables"
                    mode: insert
            
        

• ポイントはJDBC URLです。

  You can optionally set the following to read the different catalog data returned from Azure Data Catalog.

  CatalogName: Set this to the CatalogName associated with your Azure Data Catalog. To get your Catalog name, navigate to your Azure Portal home page > Data Catalog > Catalog Name

  Connect Using OAuth Authentication

  You must use OAuth to authenticate with Azure Data Catalog. OAuth requires the authenticating user to interact with Azure Data Catalog using the browser. For more information, refer to the OAuth section in the help documentation.

• 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 azuredatacatalog-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 AzureDataCatalog 2019J\lib\cdata.jdbc.azuredatacatalog.jar
            driver_class: cdata.jdbc.azuredatacatalog.AzureDataCatalogDriver
            url: jdbc:azuredatacatalog:InitiateOAuth=REFRESH
                query: "SELECT DslAddressDatabase, Type FROM Tables WHERE [RecordId] = 1"
            out: 
                type: mysql
                host: localhost
                database: DatabaseName
                user: UserId
                password: UserPassword
                table: "Tables"
                mode: insert
        
    

CData JDBC Driver for AzureDataCatalog をEmbulk で使うことで、Azure Data Catalog 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。