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

CData JDBC Driver for CosmosDB をインストール

まずは、本記事右側のサイドバーからCosmosDB 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Cosmos DB データに接続

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

   CosmosDB 接続プロパティの取得・設定方法

   SQL API を使ってCosmos DB アカウントに接続するために必要な接続文字列を取得するには、Azure Portal にログインして「Azure Cosmos DB」を選択し、自分のアカウントを選択します。「Settings」セクションで、「Connection String」をクリックして次の値を設定します。

   • AccountEndpoint：この値は、Cosmos DB アカウントの「Keys」ブレードからのCosmos DB アカウントURL に設定してください。
   • AccountKey：Azure ポータルで、Cosmos DB サービスに移動してAzure Cosmos DB アカウントを選択します。リソースメニューから、 「Keys」ページに移動します。「PRIMARY KEY」値を見つけ、Token をこの値に設定します。

   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、Cosmos DB 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.cosmosdb.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 cosmosdb_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:cosmosdb:AccountEndpoint=myAccountEndpoint;AccountKey=myAccountKey;").option("dbtable","Customers").option("driver","cdata.jdbc.cosmosdb.CosmosDBDriver").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. Cosmos DB をテンポラリーテーブルとして登録します:

   scala> cosmosdb_df.registerTable("customers")

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> cosmosdb_df.sqlContext.sql("SELECT City, CompanyName FROM Customers WHERE Name = Morris Park Bake Shop").collect.foreach(println)

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

CData JDBC Driver for CosmosDB をApache Spark で使って、Cosmos DB 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。