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

CData JDBC Driver for Email をインストール

まずは、本記事右側のサイドバーからEmail 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Email データに接続

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

   Authentication セクションのUser プロパティとPassword プロパティに、有効な認証情報を設定する必要があります。 E メールを取得するには、Server を指定する必要があります。E メールを送信するにはSMTPServer を指定する必要があります。

   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、Email 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.email.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 email_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:email:User=username@gmail.com;Password=password;Server=imap.gmail.com;Port=993;SMTP Server=smtp.gmail.com;SMTP Port=465;SSL Mode=EXPLICIT;Protocol=IMAP;Mailbox=Inbox;").option("dbtable","Mailboxes").option("driver","cdata.jdbc.email.EmailDriver").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. Email をテンポラリーテーブルとして登録します:

   scala> email_df.registerTable("mailboxes")

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> email_df.sqlContext.sql("SELECT Mailbox, RecentMessagesCount FROM Mailboxes WHERE Mailbox = Spam").collect.foreach(println)

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

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