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

CData JDBC Driver for Bugzilla をインストール

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

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

   Bugzilla アカウントには以下の接続プロパティで接続します:

   • URL: Bugzilla 開発者ページの（Home ページ）。
   • ApiKey: Bugzilla 開発者ページのPreferences -> API Keys で生成したAPI Key。

   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、Bugzilla 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.bugzilla.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 bugzilla_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:bugzilla:Url=http://yourdomain/Bugzilla;APIKey=abc123;").option("dbtable","Bugs").option("driver","cdata.jdbc.bugzilla.BugzillaDriver").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. Bugzilla をテンポラリーテーブルとして登録します:

   scala> bugzilla_df.registerTable("bugs")

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> bugzilla_df.sqlContext.sql("SELECT Id, Summary FROM Bugs WHERE Creator = user@domain.com").collect.foreach(println)

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

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