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

CData JDBC Driver for GoogleCloudStorage をインストール

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

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

   ユーザーアカウントでの認証

   ユーザー資格情報の接続プロパティを設定することなく接続できます。InitiateOAuth をGETANDREFRESH に設定したら、接続の準備が完了です。

   接続すると、Google Cloud Storage OAuth エンドポイントがデフォルトブラウザで開きます。ログインして権限を付与すると、OAuth プロセスが完了します。

   サービスアカウントでの認証

   サービスアカウントには、ブラウザでユーザー認証を行わないサイレント認証があります。サービスアカウントを使用して、企業全体のアクセススコープを委任することもできます。

   このフローでは、OAuth アプリケーションを作成する必要があります。詳しくは、ヘルプドキュメントを参照してください。以下の接続プロパティを設定したら、接続の準備が完了です：

   • InitiateOAuth: GETANDREFRESH に設定。
   • OAuthJWTCertType: PFXFILE に設定。
   • OAuthJWTCert: 生成した.p12 ファイルへのパスに設定。
   • OAuthJWTCertPassword: .p12 ファイルのパスワードに設定。
   • OAuthJWTCertSubject: 証明書ストアの最初の証明書が選ばれるように"*" に設定。
   • OAuthJWTIssuer: 「サービスアカウント」セクションで「サービスアカウントの管理」をクリックし、このフィールドをサービスアカウントID フィールドに表示されているE メールアドレスに設定。
   • OAuthJWTSubject: サブジェクトタイプが"enterprise" に設定されている場合はエンタープライズID に設定し、"user" に設定されている場合はアプリユーザーID に設定。
   • ProjectId: 接続するプロジェクトのID に設定。

   これで、サービスアカウントのOAuth フローが完了します。

   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、Google Cloud Storage 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.googlecloudstorage.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 googlecloudstorage_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:googlecloudstorage:ProjectId='project1';").option("dbtable","Buckets").option("driver","cdata.jdbc.googlecloudstorage.GoogleCloudStorageDriver").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. Google Cloud Storage をテンポラリーテーブルとして登録します:

   scala> googlecloudstorage_df.registerTable("buckets")

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> googlecloudstorage_df.sqlContext.sql("SELECT Name, OwnerId FROM Buckets WHERE Name = TestBucket").collect.foreach(println)

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

CData JDBC Driver for GoogleCloudStorage をApache Spark で使って、Google Cloud Storage 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。