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

CData JDBC Driver for Snowflake をインストール

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

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

   Snowflake への接続には:

   1. User およびPassword をSnowflake ユーザーに設定し、AuthScheme をPASSWORD もしくはOKTA に設定します。
   2. URL をSnowflake インスタンスのURL に設定します(i.e.: https://myaccount.snowflakecomputing.com)。
   3. Warehouse をSnowflake warehouse に設定します。
   4. (Optional) Account URL が上記の形式に当てはまらない場合、Snowflake のアカウントに設定します。
   5. (Optional) Database およびSchema は、参照できるテーブルやビューを制限する場合に指定します。

   詳細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、Snowflake 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.snowflake.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 snowflake_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:snowflake:User=Admin;Password=test123;Server=localhost;Database=Northwind;Warehouse=TestWarehouse;Account=Tester1;").option("dbtable","Products").option("driver","cdata.jdbc.snowflake.SnowflakeDriver").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. Snowflake をテンポラリーテーブルとして登録します:

   scala> snowflake_df.registerTable("products")

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> snowflake_df.sqlContext.sql("SELECT Id, ProductName FROM Products WHERE Id = 1").collect.foreach(println)

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

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