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

CData JDBC Driver for OData をインストール

まずは、本記事右側のサイドバーからOData 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OData データに接続

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

   OData ソースへの接続には、OData サーバーのルートURI もしくはOData サービスのファイルをURL に指定します。Authentication セクションでは、User およびPassword を設定します。

   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、OData 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.odata.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 odata_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:odata:URL=http://services.odata.org/V4/Northwind/Northwind.svc;UseIdUrl=True;OData Version=4.0;Data Format=ATOM;").option("dbtable","Orders").option("driver","cdata.jdbc.odata.ODataDriver").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. OData をテンポラリーテーブルとして登録します:

   scala> odata_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> odata_df.sqlContext.sql("SELECT OrderName, Freight FROM Orders WHERE ShipCity = New York").collect.foreach(println)

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

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