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

CData JDBC Driver for SASXpt をインストール

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

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

   ローカルSASXpt ファイルへの接続

   URI をSASXpt ファイルを格納しているフォルダに設定すると、ローカルのSASXpt ファイルに接続できます。

   S3 データソースへの接続

   Amazon S3 ソースに接続してSASXpt ファイルを読み込むことができます。以下のプロパティを設定して接続します：

   • URI：接続するバケット内のフォルダに設定。
   • AWSAccessKey：AWS アカウントのアクセスキーに設定。
   • AWSSecretKey：AWS アカウントのシークレットキーに設定。
   • TemporaryLocalFolder：SASXptファイルを一時的にダウンロードするために使用するフォルダへのパス、またはURI に設定。

   Azure Data Lake Storage Gen2 への接続

   ADLS Gen2 に接続してSASXpt ファイルを読み込むことができます。以下のプロパティを設定して接続します：

   • URI：ファイルシステムの名前およびSASXpt ファイルにコンタクトするフォルダの名前に設定。
   • AzureAccount：Azure Data Lake storage アカウントの名前に設定。
   • AzureAccessKey：Azure Data Lake storage Gen 2 ストレージアカウントのアクセスキーに設定。
   • TemporaryLocalFolder：SASXptファイルを一時的にダウンロードするために使用するフォルダへのパス、またはURI に設定。

   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、SAS xpt 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.sasxpt.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 sasxpt_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:sasxpt:URI=C:/folder;").option("dbtable","SampleTable_1").option("driver","cdata.jdbc.sasxpt.SASXptDriver").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. SAS xpt をテンポラリーテーブルとして登録します:

   scala> sasxpt_df.registerTable("sampletable_1")

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> sasxpt_df.sqlContext.sql("SELECT Id, Column1 FROM SampleTable_1 WHERE Column2 = 100").collect.foreach(println)

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

CData JDBC Driver for SASXpt をApache Spark で使って、SAS xpt 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。