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

CData JDBC Driver for FTP をインストール

まずは、本記事右側のサイドバーからFTP 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FTP データに接続

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

   FTP は、プレーンテキスト接続およびSSL/TLS 接続の両方をサポートします。FTP サーバーに接続するには、RemoteHost、User、およびPassword を指定します。SSLMode およびSSLServerCert を設定して、TSL/SSL による接続をセキュアにします。TLS/SSL を介した接続の設定について詳しくは、ヘルプドキュメントの「高度な設定」を参照してください。

   次の接続プロパティを設定し、ファイルシステムのリレーショナルビューをコントロールします。

   • RemotePath：現在の作業ディレクトリに設定。
   • TableDepth：ビューとしてレポートするサブフォルダの深度を制御するために設定。
   • FileRetrievalDepth：ファイルを再帰的に取得し、Root テーブルにリストするために設定。

   ストアドプロシージャ は、ファイル、のダウンロード、アップロード、およびプロトコルコマンドの送信に利用できます。 SQL を使用してサーバーと対話する方法の詳細については、ヘルプドキュメントの「データモデル」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、FTP 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.ftp.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 ftp_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:ftp:RemoteHost=MyFTPServer;").option("dbtable","MyDirectory").option("driver","cdata.jdbc.ftp.FTPDriver").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. FTP をテンポラリーテーブルとして登録します:

   scala> ftp_df.registerTable("mydirectory")

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> ftp_df.sqlContext.sql("SELECT Filesize, Filename FROM MyDirectory WHERE FilePath = /documents/doc.txt").collect.foreach(println)

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

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