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

CData JDBC Driver for OracleOCI をインストール

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

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

   Oracle への接続には、PATH variable をアップデートして、ネイティブDLL が含まれるフォルダロケーションが含まれていることを確認します。ネイティブDLL は、インストールディレクトリのlib フォルダにあります。完了したら次のプロパティを設定します：

   • Port: Oracle データベースをホストしているサーバーに接続するポート。
   • User: Oracle データベースに接続するユーザーのID。
   • Password: Oracle データベースに接続するユーザーのパスワード。
   • Service Name: Oracle データベースのサービス名。

   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、Oracle 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.oracleoci.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 oracleoci_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:oracleoci:User=myuser;Password=mypassword;Server=localhost;Port=1521;").option("dbtable","Customers").option("driver","cdata.jdbc.oracleoci.OracleOCIDriver").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. Oracle をテンポラリーテーブルとして登録します:

   scala> oracleoci_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> oracleoci_df.sqlContext.sql("SELECT CompanyName, City FROM Customers WHERE Country = US").collect.foreach(println)

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

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