Apache Spark でIBM Cloud Data Engine 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 IBMCloudDataEngine と組み合わせると、Spark はリアルタイムでIBM Cloud Data Engine 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 Data Engine 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 Data Engine 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 Data Engine 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 Data Engine 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 Data Engine を操作して分析できます。

CData JDBC Driver for IBMCloudDataEngine をインストール

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

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

   IBM Cloud Data Engine は、OAuth およびHMAC 認証標準を使います。詳細はヘルプドキュメント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、IBM Cloud Data Engine 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.ibmclouddataengine.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 ibmclouddataengine_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:ibmclouddataengine:Api Key=MyAPIKey;Instance CRN=myInstanceCRN;Region=myRegion;Schema=mySchema;OAuth Client Id=myOAuthClientId;OAuth Client Secret=myOAuthClientSecret;").option("dbtable","Jobs").option("driver","cdata.jdbc.ibmclouddataengine.IBMCloudDataEngineDriver").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 Data Engine をテンポラリーテーブルとして登録します:

   scala> ibmclouddataengine_df.registerTable("jobs")

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> ibmclouddataengine_df.sqlContext.sql("SELECT Id, Status FROM Jobs WHERE UserId = user@domain.com").collect.foreach(println)

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

CData JDBC Driver for IBMCloudDataEngine をApache Spark で使って、IBM Cloud Data Engine 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。