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

CData JDBC Driver for ApacheHive をインストール

CData JDBC Driver for ApacheHive 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Hive データに接続

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

   Apache Hive への接続を確立するには以下を指定します。

   • Server：HiveServer2 をホストするサーバーのホスト名またはIP アドレスに設定。
   • Port：HiveServer2 インスタンスへの接続用のポートに設定。
   • TransportMode：Hive サーバーとの通信に使用するトランスポートモード。有効な入力値は、BINARY およびHTTP です。デフォルトではBINARY が選択されます。
   • AuthScheme：使用される認証スキーム。有効な入力値はPLAIN、LDAP、NOSASL、およびKERBEROS です。デフォルトではPLAIN が選択されます。
   • 本製品においてTLS/SSL を有効化するには、UseSSL をTrue に設定します

   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、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()
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. 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")

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> apachehive_df.sqlContext.sql("SELECT City, CompanyName FROM Customers WHERE Country = US").collect.foreach(println)

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

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。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。