ETL ツールのEmbulk を使ってAzure Synapse データをDB にロードする方法

こんにちは！リードエンジニアの杉本です。

Embulk は、大量のデータをDB、クラウドデータストア、DWH にロードできるオープンソースETL ツールです。近頃のトレンドでは1社で複数のオンプレアプリやSaaS を使っており、データ分析にはETL ツールを使ってデータを丸ごとDB/DWH にロードしてから、分析や可視化をすることが主流になっています。Embulk にはいろいろなプラグインがあり、多様なInput とOutput 処理をサポートしています。この記事では、Embulk のJDBC Input Plugin と CData Driver for AzureSynapse を使って、Azure Synapse のデータを簡単にDB にロードする方法をご紹介します。この例ではロード先のDB にはMySQL を使います。

Embulk でAzure Synapse のデータをロード

• CData JDBC Driver for AzureSynapse をEmbulk と同じマシンにインストールします。CData JDBC ドライバは30日間の無償トライアルが利用できるので、サイドバーからお気軽にダウンロードしてご利用ください。
• 以下のパスにJDBC Driver がインストールされます。後ほどこのパスを使います。
  C:\Program Files\CData\CData JDBC Driver for AzureSynapse 2019J\lib\cdata.jdbc.azuresynapse.jar

• 次に、EmbulkとCData JDBC Driverをつなぎこむための、JDBC Input Plugin をインストールします。以下のリンクからダウンロードできます。

  https://github.com/embulk/embulk-input-jdbc/tree/master/embulk-input-jdbc

  インストール用のコマンドはこちら：

  embulk gem install embulk-input-jdbc

• 今回はロード先DB としてMySQL を使います。ほかにもSQL Server、PostgreSQL、Google BigQuery などを使うことも可能です。ロードに必要な以下のプラグインをインストールしましょう。

  https://github.com/embulk/embulk-output-jdbc/tree/master/embulk-output-mysql

  コマンドはこちら。

  embulk gem install embulk-output-mysql
• config ファイルを作成し、Azure Synapse -> MySQL のジョブを作成します。azuresynapse-mysql.yml というファイル名で、以下の内容で作成しました。
in: type: jdbc driver_path: C:\Program Files\CData\CData JDBC Driver for AzureSynapse 2024J\lib\cdata.jdbc.azuresynapse.jar driver_class: cdata.jdbc.azuresynapse.AzureSynapseDriver url: jdbc:azuresynapse:User=myuser;Password=mypassword;Server=localhost;Database=Northwind; table: "Products" out: type: mysql host: localhost database: DatabaseName user: UserId password: UserPassword table: "Products" mode: insert
• JDBC URL の内容は、ご利用の環境や資格情報を入力してください。

  Azure Synapse への接続

  Azure Synapse データベースに接続するには、認証に加えて（下記参照）、次のプロパティを設定します。

  • Server：Azure を実行しているサーバー。Azure ポータルにログインして、［Azure Synapse Analytics］->［Select your database］->［Overview］->［Server name］に進むと確認できます。
  • Database：［Azure Synapse Analytics］ページのAzure ポータルに表示されるデータベース名。

  Azure Synapse への認証

  次のプロパティを使用してAzure Synapse に接続します。

  • User：Azure との認証のためのユーザー名。
  • Password：認証ユーザーに関連付けられたパスワード。
• テーブル名は取得したいテーブル名を入れます。
• これで準備完了です。あとは「embulk run」で実行するだけです。
embulk run azuresynapse-mysql.yml
• 実行後MySQL Workbenchからテーブルを確認してみると、データが取得できているはずです。

クエリ条件でフィルタリングしたデータのロード

ちなみに、上記の例ではテーブル名を直接指定しましたが、以下のようにSQL クエリを書いてもいいです。 WHERE 句で作成日や修正日を指定すれば、最新のデータだけを対象にすることも可能です。

おわりに

CData JDBC Driver for AzureSynapse をEmbulk で使うことで、Azure Synapse と連携して簡単にデータを取得できます。ぜひ、30日の無償評価版をお試しください。