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

CData JDBC Driver for Databricks をインストール

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

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

   Databricks クラスターに接続するには、以下の説明に従ってプロパティを設定します。

   Note：Databricks インスタンスで必要な値は、クラスターに移動して目的のクラスターを選択し、Advanced Options の下にあるJDBC/ODBC タブを選択することで見つけることができます。

   • Database：Databricks データベース名に設定。
   • Server：Databricks クラスターのサーバーのホスト名に設定。
   • HTTPPath：Databricks クラスターのHTTP パスに設定。
   • Token：個人用アクセストークンに設定（この値は、Databricks インスタンスのユーザー設定ページに移動してアクセストークンタブを選択することで取得できます）。

   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、Databricks 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.databricks.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 databricks_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:databricks:Server=127.0.0.1;Port=443;TransportMode=HTTP;HTTPPath=MyHTTPPath;UseSSL=True;User=MyUser;Password=MyPassword;").option("dbtable","Customers").option("driver","cdata.jdbc.databricks.DatabricksDriver").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. Databricks をテンポラリーテーブルとして登録します:

   scala> databricks_df.registerTable("customers")

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> databricks_df.sqlContext.sql("SELECT City, CompanyName FROM Customers WHERE Country = US").collect.foreach(println)

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

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