Apache Kafka へのRedshift データのETL / ELT パイプラインを作ってデータを統合する方法

こんにちは！プロダクトスペシャリストの宮本です。

データ分析基盤へのRedshift データの取り込みのニーズが高まっています。CData Sync は、数百のSaaS / DB のデータをApache Kafka をはじめとする各種DB / データウェアハウスにノーコードで統合・レプリケーション（複製）が可能なデータパイプラインツールです。

本記事では、Redshift データをCData Sync を使ってApache Kafka に統合するデータパイプラインを作っていきます。

CData Sync とは？

CData Sync は、レポーティング、アナリティクス、機械学習、AI などで使えるよう、社内のデータを一か所に統合して管理できるデータ基盤をノーコードで構築できるETL ツールで、以下の特徴を持っています。

1. Redshift をはじめとする数百種類のSaaS / DB データに対応
2. Apache Kafka など多くのRDB、データレイク、データストア、データウェアハウスに同期可能
3. 業務データのデータ分析基盤へのETL / ELT 機能に特化し、極限まで設定操作をシンプルに
4. 主要なSaaS データの差分更新やCDC（Change Data Capture、変更データキャプチャ）のサポート
5. フレキシブルなSQL での取得データの操作

CData Sync では、1.データソースとしてRedshift の接続を設定、2.同期先としてApache Kafka の接続を設定、3.Redshift からApache Kafka へのレプリケーションジョブの作成、という3つのステップだけでレプリケーション処理を作成可能です。以下に具体的な設定手順を説明します。

1. データソースとしてRedshift の接続を設定

まずはじめに、CData Sync のブラウザ管理コンソールにログインします。CData Sync のインストールをまだ行っていない方は、本記事の製品リンクから「CData Sync」をクリックしてCData Sync をインストールしてください。30日間の無償トライアルをご利用いただけます。インストール後にCData Sync が起動して、ブラウザ設定画面が開きます。

それでは、データソース側にRedshift を設定していきましょう。左の「接続」タブをクリックします。

1. 「＋接続の追加」ボタンをクリックします。
2. 「データソース」タブを選択して、リスト表示されるデータソースを選ぶか、検索バーにデータソース名を入力して、Redshift を見つけます。
3. Redshift の右側の「→」をクリックして、Redshift アカウントへの接続画面を開きます。もし、Redshift のコネクタがデフォルトでCData Sync にインストールされていない場合には、ダウンロードアイコン（コネクタのアップロードアイコン）をクリックし、「ダウンロード」をクリックすると、CData Sync にコネクタがインストールされます。
4. 接続プロパティにRedshift に接続するアカウント情報を入力をします。
   

   Redshift への接続には次を設定します：

   • Server: 接続するデータベースをホストしているクラスタのホスト名およびIP アドレス。
   • Port: クラスタのポート。
   • Database: データベース名、ブランクの場合ユーザーのデフォルトデータベースになります。
   • User: ユーザー名。
   • Password: ユーザーのパスワード。

   Server およびPort の値はAWS の管理コンソールで取得可能です：

   1. Amazon Redshift console (http://console.aws.amazon.com/redshift) を開く。
   2. Clusters ページで、クラスタ名をクリック。
   3. クラスタのConfiguration タブで、表示された接続文字列からクラスタのURL をコピーします。
   4. 「作成およびテスト」をクリックして、正しくRedshift に接続できているかをテストして保存します。これでレプリケーションのデータソースとしてRedshift への接続が設定されました。

   2. 同期先としてApache Kafka の接続を設定

   次に、Redshift データを書き込む先（＝同期先）として、Apache Kafka を設定します。同じく「接続」タブを開きます。

   1. 「＋接続の追加」ボタンをクリックします。
   2. 「同期先」タブを選択して、リスト表示されるデータソースを選ぶか、検索バーにデータソース名を入力して、Apache Kafka を見つけます。
   3. Apache Kafka の右側の「→」をクリックして、Apache Kafka データベースへの接続画面を開きます。もし、Apache Kafka のコネクタがデフォルトでCData Sync にインストールされていない場合には、ダウンロードアイコン（コネクタのアップロードアイコン）をクリックし、「ダウンロード」をクリックすると、CData Sync にコネクタがインストールされます。
   4. 必要な接続プロパティを入力します。
      • Bootstrap Servers - 接続するApache Kafka Bootstrap サーバーのアドレスを設定。
      • Auth Scheme - 認証スキームを選択。デフォルト設定はPlain で、ユーザーのログイン情報を使用します。
      • User - Apache Kafka への認証に使用するユーザー名を入力。
      • Password - Apache Kafka への認証に使用するパスワードを入力。
      • Type Detection Scheme - 使用する型検出用スキーム（None、RowScan、SchemaRegistry、MessageOnly）を指定。デフォルトは「None」です。
      • Use SSL - Secure Sockets Layer（SSL）プロトコルを使用するかどうかを指定。デフォルト値はFalse です。
   5. 「作成およびテスト」をクリックして、正しく接続できているかをテストします。
   6. これで同期先としてApache Kafka を設定できました。CData Sync では、Apache Kafka のデータベース名を指定するだけで同期するRedshift に併せたテーブルスキーマを自動的に作成（CREATE TABLE）してくれます。同期データに合わせたテーブルを事前に作成するなどの面倒な手順は必要ありません。もちろん、既存テーブルにマッピングを行いデータ同期を行うことも可能です。

   3. Redshift からApache Kafka へのレプリケーションジョブの作成

   CData Sync では、レプリケーションをジョブ単位で設定します。ジョブは、Redshift からApache Kafka という単位で設定し、複数のテーブルを含むことができます。レプリケーションジョブ設定には、「ジョブ」タブに進み、「＋ジョブを追加」ボタンをクリックします。

   「ジョブを追加」画面が開き、以下を入力します：

   1. 名前：ジョブの名前
   2. データソース：ドロップダウンリストから先に設定したRedshift を選択
   3. 同期先：先に設定したApache Kafka を選択

   すべてのオブジェクトをレプリケーションする場合

   Redshift のすべてのオブジェクト / テーブルをレプリケーションするには、「種類」セクションで「すべて同期」を選択して、「ジョブを追加」ボタンで確定します。

   作成したジョブ画面で、右上の「▷実行」ボタンをクリックするだけで、全Redshift テーブルのApache Kafka への同期を行うことができます。

   オブジェクトを選択してレプリケーションする場合

   Redshift から特定のオブジェクト / テーブルを選択してレプリケーションを行うことが可能です。「種類」セクションでは、「標準（個別設定）」を選んでください。

   次に「ジョブ」画面で、「タスク」タブをクリックし、「タスクを追加」ボタンをクリックします。

   するとCData Sync で利用可能なオブジェクト / テーブルのリストが表示されるので、レプリケーションを行うオブジェクトにチェックを付けます（複数選択可）。「ジョブを追加」ボタンで確定します。

   作成したジョブ画面で、「▷実行」ボタンをクリックして（もしくは各タスク毎の実行ボタンを押して）、レプリケーションジョブを実行します。

   このようにとても簡単にRedshift からApache Kafka への同期を行うことができました。

   CData Sync の主要な機能を試してみる：スケジューリング・差分更新・ETL

   ジョブのスケジュール起動設定

   CData Sync では、同期ジョブを1日に1回や15分に1回などのスケジュール起動をすることができます。ジョブ画面の「概要」タブから「スケジュール」パネルを選び、「⚙設定」ボタンをクリックします。「間隔」と同期時間の「毎時何分」を設定し、「保存」を押して設定を完了します。これでCData Sync が同期ジョブをスケジュール実行してくれます。ユーザーはダッシュボードで同期ジョブの状態をチェックするだけです。

   差分更新

   CData Sync では、主要なデータソースでは、差分更新が可能です。差分更新では、最後のジョブ実行時からデータソース側でデータの追加・変更があったデータだけを同期するので、レプリケーションのクエリ・通信のコストを圧倒的に抑えることが可能です。

   差分更新を有効化するには、ジョブの「概要」タブから「差分更新」パネルを選び、「⚙設定」ボタンをクリックします。「開始日」と「レプリケーション間隔」を設定して、「保存」します。

   SQL での取得データのカスタマイズ

   CData Sync は、デフォルトではRedshift のオブジェクト / テーブルをそのままApache Kafka に複製しますが、ここにSQL、またはdbt 連携でのETL 処理を組み込むことができます。テーブルカラムが多すぎる場合や、データ管理の観点から一部のカラムだけをレプリケーションしたり、さらにデータの絞り込み（フィルタリング）をしたデータだけをレプリケーションすることが可能です。

   ジョブの「概要」タブ、「タスク」タブへと進みます。選択されたタスク（テーブル）の「▶」の左側のメニューをクリックし、「編集」を選びます。タスクの編集画面が開きます。

   UI からカラムを選択する場合には、「カラム」タブから「マッピング編集」をクリックします。レプリケーションで使用しないカラムからチェックを外します。

   SQL を記述して、フィルタリングなどのカスタマイズを行うには、「クエリ」タブをクリックし、REPLICATE 「テーブル名」の後に標準SQL でフィルタリングを行います。

   Redshift からApache Kafka へのデータ同期には、ぜひCData Sync をご利用ください

   このようにノーコードで簡単にRedshift データをApache Kafka にレプリケーションできます。データ分析、AI やノーコードツールからのデータ利用などさまざまな用途でCData Sync をご利用いただけます。30日の無償トライアルで、シンプルでパワフルなデータパイプラインを体感してください。

   日本のユーザー向けにCData Sync は、UI の日本語化、ドキュメントの日本語化、日本語でのテクニカルサポートを提供しています。

   CData Sync の 導入事例を併せてご覧ください。