ノーコードでクラウド上のデータとの連携を実現。
詳細はこちら →HDFS Driver の30日間無償トライアルをダウンロード
30日間の無償トライアルへCData
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 HDFS と組み合わせると、Spark はリアルタイムでHDFS 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HDFS 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HDFS と対話するための高いパフォーマンスを提供します。HDFS 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HDFS 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HDFS を操作して分析できます。
まずは、本記事右側のサイドバーからHDFS 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 --jars /CData/CData JDBC Driver for HDFS/lib/cdata.jdbc.hdfs.jar
HDFS への認証には、次の接続プロパティを設定します。
JDBC 接続文字列URL の作成には、HDFS 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.hdfs.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 hdfs_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:hdfs:Host=sandbox-hdp.hortonworks.com;Port=50070;Path=/user/root;User=root;").option("dbtable","Files").option("driver","cdata.jdbc.hdfs.HDFSDriver").load()
HDFS をテンポラリーテーブルとして登録します:
scala> hdfs_df.registerTable("files")
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> hdfs_df.sqlContext.sql("SELECT FileId, ChildrenNum FROM Files WHERE FileId = 119116").collect.foreach(println)
コンソールで、次のようなHDFS データを取得できました!これでHDFS との連携は完了です。
CData JDBC Driver for HDFS をApache Spark で使って、HDFS 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。