Apache Spark でMarkLogic データをSQL で操作

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

CData JDBC Driver for MarkLogic をインストール

CData JDBC Driver for MarkLogic 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MarkLogic データに接続

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

   User、Password、および Server に、アカウントの認証情報と接続するサーバーのアドレスを設定します。また、REST Server Port を指定する必要があります。

   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、MarkLogic 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.marklogic.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 marklogic_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:marklogic:User='myusername';Password='mypassword';Server='http://marklogic';").option("dbtable","Customer").option("driver","cdata.jdbc.marklogic.MarkLogicDriver").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. MarkLogic をテンポラリーテーブルとして登録します:

   scala> marklogic_df.registerTable("customer")

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> marklogic_df.sqlContext.sql("SELECT Name, TotalDue FROM Customer WHERE Id = 1").collect.foreach(println)

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

   

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