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

CData JDBC Driver for Excel をインストール

まずは、本記事右側のサイドバーからExcel 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Excel データに接続

1. ターミナルを開き、Spark shell でCData JDBC Driver for Excel JAR file をjars パラメータに設定します: $ spark-shell --jars /CData/CData JDBC Driver for Excel/lib/cdata.jdbc.excel.jar
2. Shell でJDBC URL を使ってExcel 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ExcelFile には有効なExcel ファイルを設定する必要があります。

   Amazon S3 内のExcel への接続

   URI をバケット内のExcel ファイルに設定します。さらに、次のプロパティを設定して認証します。

   • AWSAccessKey：AWS アクセスキー（username）に設定。
   • AWSSecretKey：AWS シークレットキーに設定。

   Box 内のExcel への接続

   URI をExcel ファイルへのパスに設定します。Box へ認証するには、OAuth 認証標準を使います。 認証方法については、Box への接続 を参照してください。

   Dropbox 内のExcel への接続

   URI をExcel ファイルへのパスに設定します。Dropbox へ認証するには、OAuth 認証標準を使います。 認証方法については、Dropbox への接続 を参照してください。ユーザーアカウントまたはサービスアカウントで認証できます。ユーザーアカウントフローでは、以下の接続文字列で示すように、ユーザー資格情報の接続プロパティを設定する必要はありません。

   SharePoint Online SOAP 内のExcel への接続

   URI をExcel ファイルを含むドキュメントライブラリに設定します。認証するには、User、Password、およびStorageBaseURL を設定します。

   SharePoint Online REST 内のExcel への接続

   URI をExcel ファイルを含むドキュメントライブラリに設定します。StorageBaseURL は任意です。指定しない場合、ドライバーはルートドライブで動作します。 認証するには、OAuth 認証標準を使用します。

   FTP 内のExcel への接続

   URI をExcel ファイルへのパスが付いたサーバーのアドレスに設定します。認証するには、User およびPassword を設定します。

   Google Drive 内のExcel への接続

   デスクトップアプリケーションからのGoogle への認証には、InitiateOAuth をGETANDREFRESH に設定して、接続してください。詳細はドキュメントの「Google Drive への接続」を参照してください。

   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、Excel 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.excel.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 excel_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:excel:Excel File='C:/MyExcelWorkbooks/SampleWorkbook.xlsx';").option("dbtable","Sheet").option("driver","cdata.jdbc.excel.ExcelDriver").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. Excel をテンポラリーテーブルとして登録します:

   scala> excel_df.registerTable("sheet")

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> excel_df.sqlContext.sql("SELECT Name, Revenue FROM Sheet WHERE Name = Bob").collect.foreach(println)

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

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