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

CData JDBC Driver for Dropbox をインストール

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

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

   OAuth では認証するユーザーにブラウザでDropbox との通信を要求します。CData 製品は、以下のようにさまざまな方法でこれを容易にします。 ユーザー資格情報の接続プロパティを設定せずに接続できます。 接続すると、CData 製品はデフォルトブラウザでOAuth エンドポイントを開きます。ログインして、CData 製品にアクセス許可を与えます。CData 製品がOAuth プロセスを完了します。

   他のOAuth 認証フローについては、ヘルプドキュメントの「OAuth 認証の使用」を参照してください。

   なお、Dropbox Driver はDropbox 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。Dropbox 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、Dropbox 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.dropbox.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 dropbox_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:dropbox:").option("dbtable","Files").option("driver","cdata.jdbc.dropbox.DropboxDriver").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. Dropbox をテンポラリーテーブルとして登録します:

   scala> dropbox_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> dropbox_df.sqlContext.sql("SELECT Id, Name FROM Files WHERE Id = 1").collect.foreach(println)

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

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