Amazon S3 へのGoogle Cloud Storage データのETL パイプラインを作ってデータを統合する方法

こんにちは！プロダクトスペシャリストの宮本です。

CData Sync は、数百のSaaS / DB のデータをS3 をはじめとする各種DB / データウェアハウスにノーコードで統合・レプリケーション（複製）が可能なデータパイプラインツールです。本記事では、Google Cloud Storage データをCData Sync を使ってAmazon S3 に統合するデータパイプラインを作っていきます。

CData Sync とは？

CData Sync は、レポーティング、アナリティクス、機械学習、AI などで使えるよう、社内のデータを一か所に統合して管理できるデータ基盤をノーコードで構築できるETL ツールで、以下の特徴を持っています。

1. Google Cloud Storage をはじめとする数百種類のSaaS / DB データに対応
2. Amazon S3 など多くのRDB、データレイク、データストア、データウェアハウスに同期可能
3. 業務データのデータ分析基盤へのETL / ELT 機能に特化し、極限まで設定操作をシンプルに
4. 主要なSaaS データの差分更新やCDC（Change Data Capture、変更データキャプチャ）のサポート
5. フレキシブルなSQL での取得データの操作

CData Sync では、1.データソースとしてGoogle Cloud Storage の接続を設定、2.同期先としてAmazon S3 の接続を設定、3.Google Cloud Storage からAmazon S3 へのレプリケーションジョブの作成、という3つのステップだけでレプリケーション処理を作成可能です。以下に具体的な設定手順を説明します。

1.データソースとしてGoogle Cloud Storage の接続を設定

まずはじめに、CData Sync のブラウザ管理コンソールにログインします。CData Sync のインストールをまだ行っていない方は本記事の製品リンクからCData Sync をクリックして、30日の無償トライアルとしてCData Sync をインストールしてください。インストール後にCData Sync が起動して、ブラウザ設定画面が開きます。

それでは、データソース側にGoogle Cloud Storage を設定していきましょう。左の［接続］タブをクリックします。

1. ［＋接続の追加］ボタンをクリックします。
2. ［データソース］タブを選択して、リスト表示されるデータソースを選ぶか、検索バーにデータソース名を入力して、Google Cloud Storage を見つけます。
3. Google Cloud Storage の右側の［→］をクリックして、Google Cloud Storage アカウントへの接続画面を開きます。もし、Google Cloud Storage のコネクタがデフォルトでCData Sync にインストールされていない場合には、ダウンロードアイコン（コネクタのアップロードアイコン）をクリックし、［ダウンロード］をクリックすると、CData Sync にコネクタがインストールされます。
4. 接続プロパティにGoogle Cloud Storage に接続するアカウント情報を入力をします。
   

   ユーザーアカウントでの認証

   ユーザー資格情報の接続プロパティを設定することなく接続できます。InitiateOAuth をGETANDREFRESH に設定したら、接続の準備が完了です。

   接続すると、Google Cloud Storage OAuth エンドポイントがデフォルトブラウザで開きます。ログインして権限を付与すると、OAuth プロセスが完了します。

   サービスアカウントでの認証

   サービスアカウントには、ブラウザでユーザー認証を行わないサイレント認証があります。サービスアカウントを使用して、企業全体のアクセススコープを委任することもできます。

   このフローでは、OAuth アプリケーションを作成する必要があります。詳しくは、ヘルプドキュメントを参照してください。以下の接続プロパティを設定したら、接続の準備が完了です：

   • InitiateOAuth: GETANDREFRESH に設定。
   • OAuthJWTCertType: PFXFILE に設定。
   • OAuthJWTCert: 生成した.p12 ファイルへのパスに設定。
   • OAuthJWTCertPassword: .p12 ファイルのパスワードに設定。
   • OAuthJWTCertSubject: 証明書ストアの最初の証明書が選ばれるように"*" に設定。
   • OAuthJWTIssuer: 「サービスアカウント」セクションで「サービスアカウントの管理」をクリックし、このフィールドをサービスアカウントID フィールドに表示されているE メールアドレスに設定。
   • OAuthJWTSubject: サブジェクトタイプが"enterprise" に設定されている場合はエンタープライズID に設定し、"user" に設定されている場合はアプリユーザーID に設定。
   • ProjectId: 接続するプロジェクトのID に設定。

   これで、サービスアカウントのOAuth フローが完了します。

5. ［作成およびテスト］をクリックして、正しくGoogle Cloud Storage に接続できているかをテストして保存します。これでレプリケーションのデータソースとしてGoogle Cloud Storage への接続が設定されました。

2.同期先としてAmazon S3 の接続を設定

次に、Google Cloud Storage データを書き込む先（＝同期先）として、Amazon S3 を設定します。同じく［接続］タブを開きます。

1. ［＋接続の追加］ボタンをクリックします。
2. ［同期先］タブを選択して、リスト表示されるデータソースを選ぶか、検索バーにデータソース名を入力して、Amazon S3 を見つけます。
3. Amazon S3 の右側の［→］をクリックして、Amazon S3 データベースへの接続画面を開きます。もし、Amazon S3 のコネクタがデフォルトでCData Sync にインストールされていない場合には、ダウンロードアイコン（コネクタのアップロードアイコン）をクリックし、［ダウンロード］をクリックすると、CData Sync にコネクタがインストールされます。

4. 必要な接続プロパティを入力します。Amazon S3 に接続するには、Amazon S3 に接続するには、administraor アカウントもしくはカスタム権限のIAM ユーザーのクレデンシャルを設定します: AccessKey をkey IDに、SecretKey をsecret access key に設定します。

   Note: AWS account administrator として接続できますが、IAM user クレデンシャルでAWS サービスに接続することが推奨されます。

   IAM ユーザーのクレデンシャルの取得は以下の手順で行います:

   1. IAM コンソールにログインします。
   2. ナビゲーションペインでUsers を選択します。
   3. ユーザーのアクセスキーを作成もしくは管理するには、user を選択し、Security Credentials タブを選択します。

   AWS ルートアカウントのクレデンシャルの取得は以下の手順で行います:

   1. ルートアカウントのクレデンシャルでAWS Management コンソールにログインします。
   2. アカウント名もしくは番号でMy Security Credentials を表示されるメニューで選択します。
   3. Continue to Security Credentials をクリックして、Access Keys セクションを開いてルートアカウントaccess key を作成もしくは管理します。

5. ［作成およびテスト］をクリックして、正しく接続できているかをテストします。
6. これで同期先としてAmazon S3 を設定できました。CData Sync では、Amazon S3 のデータベース名を指定するだけで、同期するGoogle Cloud Storage に併せたテーブルスキーマを自動的にCREATE TABLE してくれます。同期データに合わせたテーブルを事前に作成するなどの面倒な手順は必要ありません。もちろん、既存テーブルにマッピングを行いデータ同期を行うことも可能です。

3.Google Cloud Storage からAmazon S3 へのレプリケーションジョブの作成

CData Sync では、レプリケーションをジョブ単位で設定します。ジョブは、Google Cloud Storage からAmazon S3 という単位で設定し、複数のテーブルを含むことができます。レプリケーションジョブ設定には、［ジョブ］タブに進み、［＋ジョブを追加］ボタンをクリックします。

［ジョブを追加］画面が開き、以下を入力します：

1. 名前：ジョブの名前
2. データソース：ドロップダウンリストから先に設定したGoogle Cloud Storage を選択
3. 同期先：先に設定したAmazon S3 を選択

すべてのオブジェクトをレプリケーションする場合

Google Cloud Storage のすべてのオブジェクト / テーブルをレプリケーションするには、［種類］セクションで［すべて同期］を選択して、［ジョブを追加］ボタンで確定します。

作成したジョブ画面で、右上の［▷実行］ボタンをクリックするだけで、全Google Cloud Storage テーブルのAmazon S3 への同期を行うことができます。

オブジェクトを選択してレプリケーションする場合

Google Cloud Storage から特定のオブジェクト / テーブルを選択してレプリケーションを行うことが可能です。［種類］セクションでは、［標準（個別設定）］を選んでください。

次に［ジョブ］画面で、［タスク］タブをクリックし、［タスクを追加］ボタンをクリックします。

するとCData Sync で利用可能なオブジェクト / テーブルのリストが表示されるので、レプリケーションを行うオブジェクトにチェックを付けます（複数選択可）。［ジョブを追加］ボタンで確定します。

作成したジョブ画面で、［▷実行］ボタンをクリックして（もしくは各タスク毎の実行ボタンを押して）、レプリケーションジョブを実行します。

このようにとても簡単にGoogle Cloud Storage からAmazon S3 への同期を行うことができました。

CData Sync の主要な機能を試してみる：スケジューリング・差分更新・ETL

ジョブのスケジュール起動設定

CData Sync では、同期ジョブを1日に1回や15分に1回などのスケジュール起動をすることができます。ジョブ画面の［概要］タブから［スケジュール］パネルを選び、［⚙設定］ボタンをクリックします。［間隔］と同期時間の［毎時何分］を設定し、［保存］を押して設定を完了します。これでCData Sync が同期ジョブをスケジュール実行してくれます。ユーザーはダッシュボードで同期ジョブの状態をチェックするだけです。

差分更新

CData Sync では、主要なデータソースでは、差分更新が可能です。差分更新では、最後のジョブ実行時からデータソース側でデータの追加・変更があったデータだけを同期するので、レプリケーションのクエリ・通信のコストを圧倒的に抑えることが可能です。

差分更新を有効化するには、ジョブの［概要］タブから「差分更新」パネルを選び、［⚙設定］ボタンをクリックします。［開始日］と［レプリケーション間隔］を設定して、［保存］します。

SQL での取得データのカスタマイズ

CData Sync は、デフォルトではGoogle Cloud Storage のオブジェクト / テーブルをそのままAmazon S3 に複製しますが、ここにSQL、またはdbt 連携でのETL 処理を組み込むことができます。テーブルカラムが多すぎる場合や、データ管理の観点から一部のカラムだけをレプリケーションしたり、さらにデータの絞り込み（フィルタリング）をしたデータだけをレプリケーションすることが可能です。

ジョブの［概要］タブ、［タスク］タブへと進みます。選択されたタスク（テーブル）の［▶］の左側のメニューをクリックし、［編集］を選びます。タスクの編集画面が開きます。

UI からカラムを選択する場合には、［カラム］タブから［マッピング編集］をクリックします。レプリケーションで使用しないカラムからチェックを外します。

SQL を記述して、フィルタリングなどのカスタマイズを行うには、［クエリ］タブをクリックし、REPLICATE ［テーブル名］の後に標準SQL でフィルタリングを行います。

Google Cloud Storage からAmazon S3 へのデータ同期には、ぜひCData Sync をご利用ください

このようにノーコードで簡単にGoogle Cloud Storage データをAmazon S3 にレプリケーションできます。データ分析、AI やノーコードツールからのデータ利用などさまざまな用途でCData Sync をご利用いただけます。30日の無償トライアルで、シンプルでパワフルなデータパイプラインを体感してください。

日本のユーザー向けにCData Sync は、UI の日本語化、ドキュメントの日本語化、日本語でのテクニカルサポートを提供しています。

CData Sync の 導入事例を併せてご覧ください。