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

CData JDBC Driver for Email をインストール

CData JDBC Driver for Email 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Email データに接続

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

   Authentication セクションのUser プロパティとPassword プロパティに、有効な認証情報を設定する必要があります。 E メールを取得するには、Server を指定する必要があります。E メールを送信するにはSMTPServer を指定する必要があります。

   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、Email 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.email.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 email_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:email:User=username@gmail.com;Password=password;Server=imap.gmail.com;Port=993;SMTP Server=smtp.gmail.com;SMTP Port=465;SSL Mode=EXPLICIT;Protocol=IMAP;Mailbox=Inbox;").option("dbtable","Mailboxes").option("driver","cdata.jdbc.email.EmailDriver").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. Email をテンポラリーテーブルとして登録します:

   scala> email_df.registerTable("mailboxes")

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> email_df.sqlContext.sql("SELECT Mailbox, RecentMessagesCount FROM Mailboxes WHERE Mailbox = Spam").collect.foreach(println)

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

CData JDBC Driver for Email をApache Spark で使って、Email 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日の無償評価版 をダウンロードしてお試しください。