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

CData JDBC Driver for ApacheKafka をインストール

CData JDBC Driver for ApacheKafka 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Kafka データに接続

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

   BootstrapServers およびTopic プロパティを設定して、Apache Kafka サーバーのアドレスと、対話するトピックを指定します。

   認可メカニズム

   • SASL Plain：User およびPassword プロパティを指定する必要があります。AuthScheme は'Plain' に設定します。
   • SASL SSL：User およびPassword プロパティを指定する必要があります。AuthScheme は'Scram' に、UseSSL はtrue に設定します。
   • SSL：SSLCert およびSSLCertPassword プロパティを指定する必要があります。UseSSL はtrue に設定します。
   • Kerberos：User およびPassword プロパティを指定する必要があります。AuthScheme は'Kerberos' に設定します。

   サーバー証明書を信頼する必要がある場合があります。そのような場合は、必要に応じてTrustStorePath およびTrustStorePassword を指定してください。

   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、Kafka 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.apachekafka.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 apachekafka_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:apachekafka:User=admin;Password=pass;BootStrapServers=https://localhost:9091;Topic=MyTopic;").option("dbtable","SampleTable_1").option("driver","cdata.jdbc.apachekafka.ApacheKafkaDriver").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. Kafka をテンポラリーテーブルとして登録します:

   scala> apachekafka_df.registerTable("sampletable_1")

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> apachekafka_df.sqlContext.sql("SELECT Id, Column1 FROM SampleTable_1 WHERE Column2 = 100").collect.foreach(println)

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

CData JDBC Driver for ApacheKafka をApache Spark で使って、Kafka 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日の無償評価版 をダウンロードしてお試しください。