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

CData JDBC Driver for SFTP をインストール

まずは、本記事右側のサイドバーからSFTP 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SFTP データに接続

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

   FTP は、SFTP プロトコルを使用してSFTP サーバーとの間のファイル転送を行います。接続するにはRemoteHost を指定します。FTP はUser、Password、および公開鍵認証（SSHClientCert）を使用します。 SSHAuthMode を選択し、選択に基づいて接続値を指定します。

   次の接続プロパティを設定し、ファイルシステムのリレーショナルビューをコントロールします。

   • RemotePath: 現在の作業ディレクトリに設定。
   • TableDepth: ビューとしてレポートするサブフォルダの深度を制御するために設定。
   • FileRetrievalDepth: ファイルを再帰的に取得し、Root テーブルにリストするために設定。
   ストアドプロシージャは、ファイル、のダウンロード、アップロード、およびプロトコルコマンドの送信に利用できます。SQL を使用してサーバーと対話する方法の詳細については、ヘルプドキュメントの「データモデル」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、SFTP 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.sftp.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 sftp_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:sftp:RemoteHost=MyFTPServer;").option("dbtable","MyDirectory").option("driver","cdata.jdbc.sftp.SFTPDriver").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. SFTP をテンポラリーテーブルとして登録します:

   scala> sftp_df.registerTable("mydirectory")

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> sftp_df.sqlContext.sql("SELECT Filesize, Filename FROM MyDirectory WHERE FilePath = /documents/doc.txt").collect.foreach(println)

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

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