Apache Spark でTwitter データをSQL で操作

Apache Spark は大規模データ処理のための高速で一般的なエンジンです。CData JDBC Driver for Twitter と組み合わせると、Spark はリアルタイムTwitter にデータ連携して処理ができます。ここでは、Spark シェルに接続してTwitter をクエリする方法について説明します。

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Twitter と対話するための高いパフォーマンスを提供します。Twitter 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Twitter 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Twitter を操作して分析できます。

CData JDBC Driver for Twitter をインストール

CData JDBC Driver for Twitter インストーラをダウンロードし、パッケージを解凍し、JAR ファイルを実行してドライバーをインストールします。

Spark Shell を起動してTwitter データに接続

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

   すべてのテーブルには認証が必要です。OAuth を使用してTwitter で認証する必要があります。OAuth では認証するユーザーにブラウザでTwitter との通信を要求します。詳しくは、ヘルプドキュメントの「OAuth 認証の使用」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、Twitter 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.twitter.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 twitter_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:twitter:").option("dbtable","Tweets").option("driver","cdata.jdbc.twitter.TwitterDriver").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. Twitter をテンポラリーテーブルとして登録します:

   scala> twitter_df.registerTable("tweets")

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> twitter_df.sqlContext.sql("SELECT From_User_Name, Retweet_Count FROM Tweets WHERE From_User_Name = twitter").collect.foreach(println)

   You will see the results displayed in the console, similar to the following:

CData JDBC Driver for Twitter をApache Spark で使って、Twitter 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。是非、30日の無償試用版 をダウンロードしてお試しください。