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

CData JDBC Driver for Redshift をインストール

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

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

   Redshift への接続には次を設定します：

   • Server: 接続するデータベースをホストしているクラスタのホスト名およびIP アドレス。
   • Port: クラスタのポート。
   • Database: データベース名、ブランクの場合ユーザーのデフォルトデータベースになります。
   • User: ユーザー名。
   • Password: ユーザーのパスワード。

   Server およびPort の値はAWS の管理コンソールで取得可能です：

   1. Amazon Redshift console (http://console.aws.amazon.com/redshift) を開く。
   2. Clusters ページで、クラスタ名をクリック。
   3. クラスタのConfiguration タブで、表示された接続文字列からクラスタのURL をコピーします。

      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、Redshift 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.redshift.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 redshift_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:redshift:User=admin;Password=admin;Database=dev;Server=examplecluster.my.us-west-2.redshift.amazonaws.com;Port=5439;").option("dbtable","Orders").option("driver","cdata.jdbc.redshift.RedshiftDriver").load()
   4. 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。

   5. Redshift をテンポラリーテーブルとして登録します:

      scala> redshift_df.registerTable("orders")

   6. 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> redshift_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Redshift データを取得できました！これでRedshift との連携は完了です。

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