各製品の資料を入手。
詳細はこちら →CData
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 ApacheHive と組み合わせると、Spark はリアルタイムでHive 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Hive 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Hive と対話するための高いパフォーマンスを提供します。Hive 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Hive 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Hive を操作して分析できます。
まずは、本記事右側のサイドバーからApacheHive 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 --jars /CData/CData JDBC Driver for ApacheHive/lib/cdata.jdbc.apachehive.jar
Apache Hive への接続を確立するには以下を指定します。
JDBC 接続文字列URL の作成には、Hive 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.apachehive.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 apachehive_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:apachehive:Server=127.0.0.1;Port=10000;TransportMode=BINARY;").option("dbtable","Customers").option("driver","cdata.jdbc.apachehive.ApacheHiveDriver").load()
Hive をテンポラリーテーブルとして登録します:
scala> apachehive_df.registerTable("customers")
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> apachehive_df.sqlContext.sql("SELECT City, CompanyName FROM Customers WHERE Country = US").collect.foreach(println)
コンソールで、次のようなHive データを取得できました!これでHive との連携は完了です。
CData JDBC Driver for ApacheHive をApache Spark で使って、Hive 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。