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

CData JDBC Driver for Parquet をインストール

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

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

   Parquet 接続プロパティの取得・設定方法

   ローカルのParquet ファイルに接続するには、URI 接続プロパティをParquet ファイルへのパスに設定してください。

   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、Parquet 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.parquet.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 parquet_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:parquet:URI=C:/folder/table.parquet;").option("dbtable","SampleTable_1").option("driver","cdata.jdbc.parquet.ParquetDriver").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. Parquet をテンポラリーテーブルとして登録します:

   scala> parquet_df.registerTable("sampletable_1")

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> parquet_df.sqlContext.sql("SELECT Id, Column1 FROM SampleTable_1 WHERE Column2 = SAMPLE_VALUE").collect.foreach(println)

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

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