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

CData JDBC Driver for ApacheHBase をインストール

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

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

   Apache HBase への接続には、Port およびServer を設定します。

   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、HBase 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.apachehbase.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 apachehbase_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:apachehbase:Server=127.0.0.1;Port=8080;").option("dbtable","Customers").option("driver","cdata.jdbc.apachehbase.ApacheHBaseDriver").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. HBase をテンポラリーテーブルとして登録します:

   scala> apachehbase_df.registerTable("customers")

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> apachehbase_df.sqlContext.sql("SELECT CustomerName, Price FROM Customers WHERE ShipCity = New York").collect.foreach(println)

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

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