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

CData JDBC Driver for IBMCloudObjectStorage をインストール

まずは、本記事右側のサイドバーからIBMCloudObjectStorage 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IBM Cloud Object Storage データに接続

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

   Cloud Object Storage 接続プロパティの取得・設定方法

   Cloud Object Storage に接続する前に、Cloud Object Storage インスタンスを登録してCloud Object Storage API キーとCRN を取得していきます。

   Cloud Object Storage の新規インスタンスの登録

   IBM Cloud アカウントにCloud Object Storage がまだない場合は、以下の手順に従ってアカウントにSQL Query のインスタンスをインストールできます。

   1. IBM Cloud アカウントにログインします。
   2. Cloud Object Storage ページに移動して、インスタンス名を指定して「作成」をクリックします。Cloud Object Storage の新規インスタンスにリダイレクトされます。

   API キー

   API キーは以下の手順で取得できます。

   1. まずは、IBM Cloud アカウントにログインします。
   2. API キーページに移動します。
   3. 中央右隅のIBM Cloud APIキーの作成 をクリックして、新しいAPI キーを作成します。
   4. ポップアップウィンドウが表示されたら、API キーの名前を指定して作成をクリックします。ダッシュボードからはアクセスできなくなるため、API Key を控えておきましょう。

   Cloud Object Storage CRN

   デフォルトでは、CData 製品はCloud Object Storage CRN を自動で取得します。ただし、複数のアカウントがある場合は、CloudObjectStorageCRN を明示的に指定する必要があります。この値は、次の2つの方法で取得できます。

   • Services ビューをクエリする。これにより、IBM Cloud Object Storage インスタンスとそれぞれのCRN がリストされます。
   • IBM Cloud で直接CRN を見つける。これを行うには、IBM Cloud のダッシュボードに移動します。リソースリストで、ストレージからCloud Object Storage リソースを選択してCRN を取得します。

   IBM Cloud Object Storage への接続

   これで準備は完了です。以下の接続プロパティを設定してください。

   • InitiateOAuth：GETANDREFRESH に設定。InitiateOAuth を使うと、OAuth 認証を繰り返す必要がなく、さらに自動でアクセストークンを設定できます。
   • ApiKey：セットアップ中に控えたAPI キーを指定。
   • CloudObjectStorageCRN（オプション）：控えておいたCloud Object Storage のCRN に設定。Cloud Object Storage アカウントが複数ある場合のみ設定する必要があります。

   プロパティを設定したら、これで接続設定は完了です。

   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、IBM Cloud Object Storage 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.ibmcloudobjectstorage.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 ibmcloudobjectstorage_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:ibmcloudobjectstorage:ApiKey=myApiKey;CloudObjectStorageCRN=MyInstanceCRN;Region=myRegion;OAuthClientId=MyOAuthClientId;OAuthClientSecret=myOAuthClientSecret;").option("dbtable","Objects").option("driver","cdata.jdbc.ibmcloudobjectstorage.IBMCloudObjectStorageDriver").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. IBM Cloud Object Storage をテンポラリーテーブルとして登録します:

   scala> ibmcloudobjectstorage_df.registerTable("objects")

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> ibmcloudobjectstorage_df.sqlContext.sql("SELECT Key, Etag FROM Objects WHERE Bucket = someBucket").collect.foreach(println)

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

CData JDBC Driver for IBMCloudObjectStorage をApache Spark で使って、IBM Cloud Object Storage 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。