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

CData JDBC Driver for OneDrive をインストール

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

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

   OneDrive 接続プロパティの取得・設定方法

   OneDrive は接続にOAuth 認証を使用します。OAuth を使用して認証するには、OneDrive API 用のアプリを作成して、OAuth クライアントID、OAuth クライアントシークレット、およびコールバックURLを取得してください。OAuth 情報の取得については、MS 公式のこちらのページが参考になります。取得したこれらの情報をOAuthClientId、OAuthClientSecret、CallbackURL の接続プロパティに設定することで認証を設定できます。

   認証についての詳細は、ヘルプドキュメントの「OAuth」のセクションをご確認ください。

   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、Microsoft OneDrive 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.onedrive.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 onedrive_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:onedrive:OAuthClientId=MyApplicationId;OAuthClientSecret=MySecretKey;OAuthCallbackURL=http://localhost:33333;").option("dbtable","Files").option("driver","cdata.jdbc.onedrive.OneDriveDriver").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. Microsoft OneDrive をテンポラリーテーブルとして登録します:

   scala> onedrive_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> onedrive_df.sqlContext.sql("SELECT Id, Name FROM Files WHERE Id = Jq74mCczmFXk1tC10GB").collect.foreach(println)

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

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