Apache Spark でOffice 365 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 Office365 と組み合わせると、Spark はリアルタイムでOffice 365 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Office 365 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Office 365 と対話するための高いパフォーマンスを提供します。Office 365 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Office 365 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Office 365 を操作して分析できます。

CData JDBC Driver for Office365 をインストール

まずは、本記事右側のサイドバーからOffice365 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Office 365 データに接続

1. ターミナルを開き、Spark shell でCData JDBC Driver for Office365 JAR file をjars パラメータに設定します: $ spark-shell --jars /CData/CData JDBC Driver for Office365/lib/cdata.jdbc.office365.jar
2. Shell でJDBC URL を使ってOffice 365 に接続し、SQL Context load() function でテーブルを読み込みます。

   Office 365 はOAuth 認証標準を利用しています。OAuth を使って認証するには、アプリケーションを作成してOAuthClientId、OAuthClientSecret、およびCallbackURL 接続プロパティを取得しなければなりません。認証方法については、ヘルプドキュメントの「OAuth 認証の使用」を参照してください。

   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、Office 365 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.office365.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 office365_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:office365:OAuthClientId=MyApplicationId;OAuthClientSecret=MyAppKey;OAuthCallbackURL=http://localhost:33333;").option("dbtable","Files").option("driver","cdata.jdbc.office365.Office365Driver").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. Office 365 をテンポラリーテーブルとして登録します:

   scala> office365_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> office365_df.sqlContext.sql("SELECT Name, Size FROM Files WHERE UserId = 54f34750-0d34-47c9-9949-9fac4791cddb").collect.foreach(println)

   コンソールで、次のようなOffice 365 データを取得できました！これでOffice 365 との連携は完了です。

CData JDBC Driver for Office365 をApache Spark で使って、Office 365 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。