Apache Spark でHDFS 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 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。

CData JDBC Driver for HDFS をインストール

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 を起動してHDFS データに接続

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

   HDFS 接続プロパティの取得・設定方法

   HDFS への認証には、次の接続プロパティを設定します。

   • Host：HDFS インスタンスのホストに設定してください。
   • Port: HDFS インスタンスのポートに設定してください。デフォルトのポートは"50070" です。

   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、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()
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. 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")

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> 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。