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

CData JDBC Driver for GoogleDrive をインストール

まずは、本記事右側のサイドバーからGoogleDrive 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Google Drive データに接続

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

   Google Drive はOAuth 認証標準を利用しています。各ユーザーやドメイン内のユーザーの代わりに、CData 製品がGoogle API にアクセスすることを許可できます。 接続すると、CData 製品はデフォルトブラウザでOAuth エンドポイントを開きます。ログインして、アプリケーションにアクセス許可を与えます。CData 製品がOAuth プロセスを完了します。

   詳細はヘルプドキュメントを参照してください。

   尚、CData 製品はGoogle Drive のファイルの一覧表示やユーザー管理情報の取得用です。Google Drive に保管されているExcel、CSV、JSON などのファイル内のデータを読み込みたい場合には、Excel Driver、CSV Driver、JSON Driver をご利用ください。

   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、Google Drive 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.googledrive.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 googledrive_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:googledrive:").option("dbtable","Files").option("driver","cdata.jdbc.googledrive.GoogleDriveDriver").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. Google Drive をテンポラリーテーブルとして登録します:

   scala> googledrive_df.registerTable("files")

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> googledrive_df.sqlContext.sql("SELECT Name, Size FROM Files WHERE Starred = true").collect.foreach(println)

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

CData JDBC Driver for GoogleDrive をApache Spark で使って、Google Drive 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。