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

CData JDBC Driver for GoogleSheets をインストール

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

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

   スプレッドシートに接続するには、Google への認証を行い、Spreadsheet 接続プロパティにスプレッドシートの名前またはフィードリンクを設定します。Google Drive のスプレッドシートの情報一覧を表示したい場合は、認証後にSpreadsheets ビューにクエリを実行します。

   ClientLogin（ユーザー名 / パスワード認証）は、2012年4月20日より正式に非推奨となり、現在は利用できません。代わりに、OAuth 2.0 認証規格を使用してください。 個々のユーザーに代わってGoogle API にアクセスするには、埋め込みクレデンシャルを使用するか、独自のOAuth アプリを登録します。

   OAuth は、Google Apps ドメインのユーザーに代わって、サービスアカウントを使って接続することもできます。サービスアカウントで認証するには、OAuth JWT 値を取得するためのアプリケーションを登録する必要があります。

   Google アカウント、Google Apps アカウント、二段階認証を使用するアカウントなど、様々なアカウントタイプでGoogle スプレッドシートに接続する方法は、ヘルプドキュメントの「はじめに」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、Google Sheets 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.googlesheets.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 googlesheets_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:googlesheets:Spreadsheet=MySheet;").option("dbtable","Orders").option("driver","cdata.jdbc.googlesheets.GoogleSheetsDriver").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 Sheets をテンポラリーテーブルとして登録します:

   scala> googlesheets_df.registerTable("orders")

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> googlesheets_df.sqlContext.sql("SELECT Shipcountry, OrderPrice FROM Orders WHERE ShipCity = Madrid").collect.foreach(println)

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

CData JDBC Driver for GoogleSheets をApache Spark で使って、Google Sheets 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。