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

CData JDBC Driver for JSON をインストール

CData JDBC Driver for JSON 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JSON データに接続

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

   See the Getting Started chapter in the data provider documentation to authenticate to your data source: The data provider models JSON APIs as bidirectional database tables and JSON files as read-only views (local files, files stored on popular cloud services, and FTP servers). The major authentication schemes are supported, including HTTP Basic, Digest, NTLM, OAuth, and FTP. See the Getting Started chapter in the data provider documentation for authentication guides.

   After setting the URI and providing any authentication values, set DataModel to more closely match the data representation to the structure of your data.

   The DataModel property is the controlling property over how your data is represented into tables and toggles the following basic configurations.

   • Document (default): Model a top-level, document view of your JSON data. The data provider returns nested elements as aggregates of data.
   • FlattenedDocuments: Implicitly join nested documents and their parents into a single table.
   • Relational: Return individual, related tables from hierarchical data. The tables contain a primary key and a foreign key that links to the parent document.

   See the Modeling JSON Data chapter for more information on configuring the relational representation. You will also find the sample data used in the following examples. The data includes entries for people, the cars they own, and various maintenance services performed on those cars.

   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、JSON 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.json.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 json_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:json:URI=C:\people.json;DataModel=Relational;").option("dbtable","people").option("driver","cdata.jdbc.json.JSONDriver").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. JSON をテンポラリーテーブルとして登録します:

   scala> json_df.registerTable("people")

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> json_df.sqlContext.sql("SELECT [ personal.name.first ], [ personal.name.last ] FROM people WHERE [ personal.name.last ] = Roberts").collect.foreach(println)

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

   

CData JDBC Driver for JSON をApache Spark で使って、JSON 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日の無償試用版 をダウンロードしてお試しください。