Apache Spark でHive 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 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。

CData JDBC Driver for ApacheHive をインストール

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 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。
   • CData 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)

   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。