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

CData JDBC Driver for ApacheImpala をインストール

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

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

   Apache Impala に接続するには、Server、Port、およびProtocolVersion を設定してください。オプションでデフォルトのDatabase を指定することもできます。 NOSASL、LDAP、またはKerberos といった別の方法で接続するには、オンラインの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、Impala 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.apacheimpala.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 apacheimpala_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:apacheimpala:Server=127.0.0.1;Port=21050;").option("dbtable","Customers").option("driver","cdata.jdbc.apacheimpala.ApacheImpalaDriver").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. Impala をテンポラリーテーブルとして登録します:

   scala> apacheimpala_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> apacheimpala_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Impala データを取得できました！これでImpala との連携は完了です。

CData JDBC Driver for ApacheImpala をApache Spark で使って、Impala 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。