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

CData JDBC Driver for PostgreSQL をインストール

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

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

   PostgreSQL への接続には、Server、Port（デフォルトは5432）、Database、およびUser、Password のプロパティを設定します。Database プロパティが設定されない場合には、User のデフォルトデータベースに接続します。

   パスワード方式によるSSH 接続

   パスワード方式によるSSH接続時に必要なプロパティ一覧を以下に示します。

   • User: PostgreSQL のユーザ
   • Password: PostgreSQL のパスワード
   • Database: PostgreSQL の接続先データベース
   • Server: PostgreSQL のサーバー
   • Port: PostgreSQL のポート
   • UserSSH: "true"
   • SSHAuthMode: "Password"
   • SSHPort: SSH のポート
   • SSHServer: SSH サーバー
   • SSHUser: SSH ユーザー
   • SSHPassword: SSH パスワード

   接続文字列形式では以下のようになります。

   User=admin;Password=adminpassword;Database=test;Server=postgresql-server;Port=5432;UseSSH=true;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHPassword=sshpasswd;

   公開鍵認証方式方式によるSSH 接続

   公開鍵認証によるSSH接続時に必要なプロパティ一覧を以下に示します。

   • User: PostgreSQL のユーザ
   • Password: PostgreSQL のパスワード
   • Database: PostgreSQL の接続先データベース
   • Server: PostgreSQL のサーバー
   • Port: PostgreSQL のポート
   • UserSSH: "true"
   • SSHAuthMode: "Public_Key"
   • SSHClientCertType: キーストアの種類
   • SSHPort: SSH のポート
   • SSHServer: SSH サーバー
   • SSHUser: SSH ユーザー
   • SSHClientCert: 秘密鍵ファイルのパス

   接続文字列形式では以下のようになります。

   User=admin;Password=adminpassword;Database=test;Server=PostgreSQL-server;Port=5432;UseSSH=true;SSHClientCertType=PEMKEY_FILE;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHClientCert=C:\Keys\key.pem;

   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、PostgreSQL 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.postgresql.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 postgresql_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:postgresql:User=postgres;Password=admin;Database=postgres;Server=127.0.0.1;Port=5432;").option("dbtable","Orders").option("driver","cdata.jdbc.postgresql.PostgreSQLDriver").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. PostgreSQL をテンポラリーテーブルとして登録します:

   scala> postgresql_df.registerTable("orders")

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> postgresql_df.sqlContext.sql("SELECT ShipName, ShipCity FROM Orders WHERE ShipCountry = USA").collect.foreach(println)

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

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