Apache Spark でFTP 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 FTP と組み合わせると、Spark はリアルタイムFTP 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FTP 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

CData JDBC Driver for FTP 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)

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

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。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。