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

CData JDBC Driver for Presto をインストール

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

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

   Presto への接続には、まずはServer およびPort を接続プロパティとして設定します。それ以外の追加項目は接続方式によって異なります。

   TLS/SSL を有効化するには、UseSSL をTRUE に設定します。

   LDAP で認証

   LDAP で認証するには、次の接続プロパティを設定します:

   • AuthScheme: LDAP に設定。
   • User: LDAP で接続するユーザー名。
   • Password: LDAP で接続するユーザーのパスワード。

   Kerberos 認証

   KERBEROS 認証を使う場合には、以下を設定します:

   • AuthScheme: KERBEROS に設定。
   • KerberosKDC: 接続するユーザーのKerberos Key Distribution Center (KDC) サービス。
   • KerberosRealm: 接続するユーザーのKerberos Realm 。
   • KerberosSPN: Kerberos Domain Controller のService Principal Name。
   • KerberosKeytabFile: Kerberos principals とencrypted keys を含むKeytab file。
   • User: Kerberos のユーザー。
   • Password: Kerberos で認証するユーザーのパスワード。

   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、Presto 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.presto.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 presto_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:presto:Server=127.0.0.1;Port=8080;").option("dbtable","Customer").option("driver","cdata.jdbc.presto.PrestoDriver").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. Presto をテンポラリーテーブルとして登録します:

   scala> presto_df.registerTable("customer")

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> presto_df.sqlContext.sql("SELECT FirstName, LastName FROM Customer WHERE Id = 123456789").collect.foreach(println)

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

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