Apache Spark でCassandra 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 Cassandra と組み合わせると、Spark はリアルタイムCassandra 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Cassandra 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Cassandra と対話するための高いパフォーマンスを提供します。Cassandra 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Cassandra 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Cassandra を操作して分析できます。

CData JDBC Driver for Cassandra をインストール

CData JDBC Driver for Cassandra 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Cassandra データに接続

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

   Cassandra への接続には、Server、Port、Database を接続プロパティとして設定します。追加で、内部認証を使う場合には、User、Password を接続プロパティに設定します。

   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、Cassandra 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.cassandra.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 cassandra_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:cassandra:Database=MyCassandraDB;Port=7000;Server=127.0.0.1;").option("dbtable","Customer").option("driver","cdata.jdbc.cassandra.CassandraDriver").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. Cassandra をテンポラリーテーブルとして登録します:

   scala> cassandra_df.registerTable("customer")

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> cassandra_df.sqlContext.sql("SELECT City, TotalDue FROM Customer WHERE FirstName = Bob").collect.foreach(println)

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

CData JDBC Driver for Cassandra をApache Spark で使って、Cassandra 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。