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

CData JDBC Driver for Elasticsearch をインストール

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

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

   Elasticsearch 接続プロパティの取得・設定方法

   接続するには、Server およびPort 接続プロパティを設定します。 認証には、User とPassword プロパティ、PKI (public key infrastructure)、またはその両方を設定します。 PKI を使用するには、SSLClientCert、SSLClientCertType、SSLClientCertSubject、およびSSLClientCertPassword プロパティを設定します。

   CData 製品は、認証とTLS/SSL 暗号化にX-Pack Security を使用しています。TLS/SSL で接続するには、Server 値に'https://' を接頭します。Note: PKI を 使用するためには、TLS/SSL およびクライアント認証はX-Pack 上で有効化されていなければなりません。

   接続されると、X-Pack では、設定したリルムをベースにユーザー認証およびロールの許可が実施されます。

   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、Elasticsearch 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.elasticsearch.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 elasticsearch_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:elasticsearch:Server=127.0.0.1;Port=9200;User=admin;Password=123456;").option("dbtable","Orders").option("driver","cdata.jdbc.elasticsearch.ElasticsearchDriver").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. Elasticsearch をテンポラリーテーブルとして登録します:

   scala> elasticsearch_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> elasticsearch_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Elasticsearch データを取得できました！これでElasticsearch との連携は完了です。

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