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

CData JDBC Driver for Cassandra をインストール

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

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

   Cassandra 接続プロパティの取得・設定方法

   Cassandra への接続には、Server、Port、Database を接続プロパティとして設定します。追加で、内部認証を使う場合には、User、Password を接続プロパティに設定します。

   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、Cassandra 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.cassandra.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 cassandra_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:cassandra:Database=MyCassandraDB;Port=7000;Server=127.0.0.1;").option("dbtable","Customer").option("driver","cdata.jdbc.cassandra.CassandraDriver").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. Cassandra をテンポラリーテーブルとして登録します:

   scala> cassandra_df.registerTable("customer")

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> cassandra_df.sqlContext.sql("SELECT City, TotalDue FROM Customer WHERE FirstName = Bob").collect.foreach(println)

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

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