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

CData JDBC Driver for MySQL をインストール

まずは、本記事右側のサイドバーからMySQL 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MySQL データに接続

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

   Server およびPort プロパティがMySQL への接続には必須です。IntegratedSecurity をFALSE に設定した場合、User、Password も必須になります。 オプションで、Database を設定することもできます。Database は設定がない場合すべてのデータベースを使えるようになります。

   パスワード方式によるSSH 接続

   パスワード方式によるSSH接続時に必要なプロパティ一覧を以下に示します。

   • User: MySQL のユーザ
   • Password: MySQL のパスワード
   • Database: MySQL の接続先データベース
   • Server: MySQL のサーバー
   • Port: MySQL のポート
   • UserSSH: "true"
   • SSHAuthMode: "Password"
   • SSHPort: SSH のポート
   • SSHServer: SSH サーバー
   • SSHUser: SSH ユーザー
   • SSHPassword: SSH パスワード

   接続文字列形式では以下のようになります。

   User=admin;Password=adminpassword;Database=test;Server=mysql-server;Port=3306;UseSSH=true;SSHAuthMode=Password;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHPassword=sshpasswd;

   公開鍵認証方式方式によるSSH 接続

   公開鍵認証によるSSH接続時に必要なプロパティ一覧を以下に示します。

   • User: MySQL のユーザ
   • Password: MySQL のパスワード
   • Database: MySQL の接続先データベース
   • Server: MySQL のサーバー
   • Port: MySQL のポート
   • UserSSH: "true"
   • SSHAuthMode: "Public_Key"
   • SSHClientCertType: キーストアの種類
   • SSHPort: SSH のポート
   • SSHServer: SSH サーバー
   • SSHUser: SSH ユーザー
   • SSHClientCert: 秘密鍵ファイルのパス

   接続文字列形式では以下のようになります。

   User=admin;Password=adminpassword;Database=test;Server=mysql-server;Port=3306;UseSSH=true;SSHAuthMode=Public_Key;SSHClientCertType=PUBLIC_KEY_FILE;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHClientCert=C:\Keys\key.pem;

   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、MySQL 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.mysql.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 mysql_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:mysql:User=myUser;Password=myPassword;Database=NorthWind;Server=myServer;Port=3306;").option("dbtable","Orders").option("driver","cdata.jdbc.mysql.MySQLDriver").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. MySQL をテンポラリーテーブルとして登録します:

   scala> mysql_df.registerTable("orders")

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> mysql_df.sqlContext.sql("SELECT ShipName, Freight FROM Orders WHERE ShipCountry = USA").collect.foreach(println)

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

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