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

CData JDBC Driver for OneNote をインストール

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

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

   OneNote は、Oauth 認証標準を使います。事前にアプリを作成し、OAuthClientId、OAuthClientSecret、CallbackURLuses の値を取得します。詳細はヘルプドキュメント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、OneNote 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.onenote.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 onenote_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:onenote:OAuthClientId=MyApplicationId; OAuthClientSecret=MySecretKey; CallbackURL=http://localhost:33333;").option("dbtable","Notebooks").option("driver","cdata.jdbc.onenote.OneNoteDriver").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. OneNote をテンポラリーテーブルとして登録します:

   scala> onenote_df.registerTable("notebooks")

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> onenote_df.sqlContext.sql("SELECT Id, notebook_displayName FROM Notebooks WHERE Id = Jq74mCczmFXk1tC10GB").collect.foreach(println)

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

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