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

CData JDBC Driver for Box をインストール

CData JDBC Driver for Box 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Box データに接続

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

   Box は、認証にOAuth スタンダードを使用します。Box への認証には、登録アプリのOAuthClientId、OAuthClientSecret、CallbackURL を入力します。詳細はヘルプドキュメントの「はじめに」を参照してください。

   尚、本製品はBox のファイルの一覧表示やユーザー管理情報の取得用です。Box に保管されているExcel、CSV、JSON などのファイル内のデータを読み込みたい場合には、Excel Driver、CSV Driver、JSON Driver をご利用ください。

   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、Box 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.box.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 box_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:box:OAuthClientId=MyOAuthClientId;OAuthClientSecret=MyOAuthClientSecret;CallbackURL=http://localhost:33333;").option("dbtable","Files").option("driver","cdata.jdbc.box.BoxDriver").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. Box をテンポラリーテーブルとして登録します:

   scala> box_df.registerTable("files")

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> box_df.sqlContext.sql("SELECT Name, Size FROM Files WHERE Id = 123").collect.foreach(println)

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

CData JDBC Driver for Box をApache Spark で使って、Box 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日の無償評価版 をダウンロードしてお試しください。