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

CData JDBC Driver for GitHub をインストール

まずは、本記事右側のサイドバーからGitHub 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GitHub データに接続

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

   GitHub への接続には、OAuth 2 認証標準を使います。OAuth で認証するには、アプリを作成してOAuthClientId、OAuthClientSecret、およびCallbackURL 接続プロパティを取得する必要があります。詳細はヘルプドキュメントの「はじめに」を参照してください。

   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、GitHub 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.github.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 github_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:github:OAuthClientId=MyOAuthClientId;OAuthClientSecret=MyOAuthClientSecret;CallbackURL=http://localhost:portNumber;").option("dbtable","Users").option("driver","cdata.jdbc.github.GitHubDriver").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. GitHub をテンポラリーテーブルとして登録します:

   scala> github_df.registerTable("users")

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> github_df.sqlContext.sql("SELECT Name, Email FROM Users WHERE UserLogin = mojombo").collect.foreach(println)

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

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