Apache Spark でMarkLogic 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 MarkLogic と組み合わせると、Spark はリアルタイムでMarkLogic 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MarkLogic 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

まずは、本記事右側のサイドバーからMarkLogic 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)

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

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。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。