Apache Spark でDB2 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 DB2 と組み合わせると、Spark はリアルタイムでDB2 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DB2 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DB2 と対話するための高いパフォーマンスを提供します。DB2 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DB2 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DB2 を操作して分析できます。

CData JDBC Driver for DB2 をインストール

まずは、本記事右側のサイドバーからDB2 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DB2 データに接続

1. ターミナルを開き、Spark shell でCData JDBC Driver for DB2 JAR file をjars パラメータに設定します: $ spark-shell --jars /CData/CData JDBC Driver for DB2/lib/cdata.jdbc.db2.jar
2. Shell でJDBC URL を使ってDB2 に接続し、SQL Context load() function でテーブルを読み込みます。

   DB2 への接続には以下を入力します：

   • Server: DB2 が稼働しているサーバー。
   • Port: DB2 サーバーのポート。
   • Database: DB2 のデータベース。
   • User: DB にアクセスする権限のあるユーザー名。
   • Password: DB にアクセスする権限のあるユーザーのパスワード。

   対応するDB2 のドライバーをインストールする必要があります。

   • Windows: IBM Data Server Provider for .NET

     Windows では、IBM Data Server Provider をインストールするだけで十分です。インストールがmachine.config への書き込みを行います。

   • Java: IBM Data Server Driver for JDBC

     Java では、IBM Data Server Driver JAR をアプリケーションのwww\WEB-INF\lib\ フォルダに配置する必要があります。

   パスワード方式によるSSH 接続

   パスワード方式によるSSH接続時に必要なプロパティ一覧を以下に示します。

   • User: DB2 のユーザ
   • Password: DB2 のパスワード
   • Database: DB2 の接続先データベース
   • Server: DB2 のサーバー
   • Port: DB2 のポート
   • UserSSH: "true"
   • SSHAuthMode: "Password"
   • SSHPort: SSH のポート
   • SSHServer: SSH サーバー
   • SSHUser: SSH ユーザー
   • SSHPassword: SSH パスワード

   接続文字列形式では以下のようになります。

   Server=10.0.1.2;Port=50000;User=admin;Password=admin;Database=testUseSSH=true;SSHAuthMode=Password;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHPassword=sshpasswd;

   公開鍵認証方式方式によるSSH 接続

   公開鍵認証によるSSH接続時に必要なプロパティ一覧を以下に示します。

   • User: DB2 のユーザ
   • Password: DB2 のパスワード
   • Database: DB2 の接続先データベース
   • Server: DB2 のサーバー
   • Port: DB2 のポート
   • UserSSH: "true"
   • SSHAuthMode: "Public_Key"
   • SSHClientCertType: キーストアの種類
   • SSHPort: SSH のポート
   • SSHServer: SSH サーバー
   • SSHUser: SSH ユーザー
   • SSHClientCert: 秘密鍵ファイルのパス

   接続文字列形式では以下のようになります。

   Server=10.0.1.2;Port=50000;User=admin;Password=admin;Database=test;UseSSH=true;SSHAuthMode=Public_Key;SSHClientCertType=PUBLIC_KEY_FILE;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHClientCert=C:\Keys\key.pem;

   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、DB2 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.db2.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 db2_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:db2:Server=10.0.1.2;Port=50000;User=admin;Password=admin;Database=test;").option("dbtable","Orders").option("driver","cdata.jdbc.db2.DB2Driver").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. DB2 をテンポラリーテーブルとして登録します:

   scala> db2_df.registerTable("orders")

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> db2_df.sqlContext.sql("SELECT OrderName, Freight FROM Orders WHERE ShipCity = New York").collect.foreach(println)

   コンソールで、次のようなDB2 データを取得できました！これでDB2 との連携は完了です。

CData JDBC Driver for DB2 をApache Spark で使って、DB2 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。