各製品の資料を入手。
詳細はこちら →Apache Spark でPostgreSQL のデータをSQL で操作する方法
CData JDBC ドライバーを使用して、Apache Spark でPostgreSQL にデータ連携。
最終更新日:2023-09-04
この記事で実現できるPostgreSQL 連携のシナリオ
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 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 のデータに接続
- 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
- 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()
- 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。
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")
-
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 の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。