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

CData JDBC Driver for Pinterest をインストール

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

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

   Pinterest の認証は通常OAuth フローに基づいています。認証には、Pinterest デベロッパープラットフォームからアプリを作成して、 OAuthClientId、OAuthClientSecret、CallbackURL を取得します。

   InitiateOAuth をGETANDREFRESH に、OAuthClientId、OAuthClientSecret、 CallbackURL を作成したアプリのプロパティ値に基づいて設定します。

   他の認証フローについては、ヘルプドキュメントを参照してください。

   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、Pinterest 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.pinterest.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 pinterest_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:pinterest:OAuthClientId=YourClientId;OAuthClientSecret=YourClientSecret;CallbackURL='https://localhost:33333'").option("dbtable","Users").option("driver","cdata.jdbc.pinterest.PinterestDriver").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. Pinterest をテンポラリーテーブルとして登録します:

   scala> pinterest_df.registerTable("users")

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> pinterest_df.sqlContext.sql("SELECT Id, Username FROM Users WHERE FirstName = Jane").collect.foreach(println)

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

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