Apache Spark でHDFS データをSQL で操作

詳細情報をご希望ですか?

無償トライアル:

ダウンロードへ

製品の詳細情報へ:

HDFS JDBC Driver

HDFS データに連携するJava アプリケーションを素早く、簡単に開発できる便利なドライバー。



CData JDBC ドライバーを使用して、Apache Spark でHDFS にデータ連携。

Apache Spark は大規模データ処理のための高速で一般的なエンジンです。CData JDBC Driver for HDFS と組み合わせると、Spark はリアルタイムHDFS にデータ連携して処理ができます。ここでは、Spark シェルに接続してHDFS をクエリする方法について説明します。

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。

※製品について詳しい情報をご希望の方は以下からお進みください。

CData JDBC Driver for HDFS をインストール

CData JDBC Driver for HDFS インストーラをダウンロードし、パッケージを解凍し、JAR ファイルを実行してドライバーをインストールします。

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。

    In order to authenticate, set the following connection properties:

    • Host: Set this value to the host of your HDFS installation.
    • Port: Set this value to the port of your HDFS installation. Default port: 50070

    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)

    You will see the results displayed in the console, similar to the following:

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。是非、30日の無償試用版 をダウンロードしてお試しください。