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

CData JDBC Driver for Salesforce をインストール

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

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

   Salesforce 接続プロパティの取得・設定方法

   Salesforce への接続には通常のログインの他、OAuth やSSO を利用できます。ログイン方式では、ユーザー名、パスワード、セキュリティトークンを使って接続します。Salesforce セキュリティトークンの取得についてはこちらの記事をご確認ください。

   ユーザー名、パスワードを使用しない、またはできない場合、OAuth 認証を利用できます。

   SSO (シングルサインオン) は、SSOProperties、SSOLoginUrl、TokenUrl プロパティを設定することでID プロバイダー経由で利用できます。詳細はヘルプドキュメントの「はじめに」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、Salesforce 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.salesforce.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 salesforce_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:salesforce:User=username;Password=password;SecurityToken=Your_Security_Token;").option("dbtable","Account").option("driver","cdata.jdbc.salesforce.SalesforceDriver").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. Salesforce をテンポラリーテーブルとして登録します:

   scala> salesforce_df.registerTable("account")

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> salesforce_df.sqlContext.sql("SELECT Industry, AnnualRevenue FROM Account WHERE Name = GenePoint").collect.foreach(println)

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

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