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

CData JDBC Driver for ApacheKafka をインストール

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

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

   BootstrapServers およびTopic プロパティを設定して、Apache Kafka サーバーのアドレスと、対話するトピックを指定します。

   認可メカニズム

   • SASL Plain：User およびPassword プロパティを指定する必要があります。AuthScheme は'Plain' に設定します。
   • SASL SSL：User およびPassword プロパティを指定する必要があります。AuthScheme は'Scram' に、UseSSL はtrue に設定します。
   • SSL：SSLCert およびSSLCertPassword プロパティを指定する必要があります。UseSSL はtrue に設定します。
   • Kerberos：User およびPassword プロパティを指定する必要があります。AuthScheme は'Kerberos' に設定します。

   サーバー証明書を信頼する必要がある場合があります。そのような場合は、必要に応じてTrustStorePath およびTrustStorePassword を指定してください。

   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、Kafka 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.apachekafka.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 apachekafka_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:apachekafka:User=admin;Password=pass;BootStrapServers=https://localhost:9091;Topic=MyTopic;").option("dbtable","SampleTable_1").option("driver","cdata.jdbc.apachekafka.ApacheKafkaDriver").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. Kafka をテンポラリーテーブルとして登録します:

   scala> apachekafka_df.registerTable("sampletable_1")

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> apachekafka_df.sqlContext.sql("SELECT Id, Column1 FROM SampleTable_1 WHERE Column2 = 100").collect.foreach(println)

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

CData JDBC Driver for ApacheKafka をApache Spark で使って、Kafka 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。