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

CData JDBC Driver for REST をインストール

まずは、本記事右側のサイドバーからREST 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REST データに接続

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

   データソースへの認証については、データプロバイダーのヘルプドキュメントの「はじめに」を参照してください: データプロバイダーはREST API を双方向データベーステーブルとして、XML/JSON ファイル（ローカルファイル、一般的なクラウドサービスに保存されているファイル、FTP サーバー）を読み取り専用のビューとしてモデル化します。HTTP Basic、Digest、NTLM、OAuth、FTP などの主要な認証スキームがサポートされています。認証についての詳細は、ヘルプドキュメントの「はじめに」を参照してください。

   URI を設定し、認証値を指定したら、Format を"XML" または"JSON" に設定して、データ表現をデータ構造により厳密に一致させるようにDataModel を設定します。

   DataModel プロパティは、データをどのようにテーブルに表現するかを制御するプロパティで、以下の基本的な設定を切り替えます。

   • Document （デフォルト）：REST データのトップレベルのドキュメントビューをモデル化します。データプロバイダーはネストされたエレメントをデータの集計として返します。
   • FlattenedDocuments：ネストされたドキュメントとその親を単一テーブルとして暗黙的に結合します。
   • Relational：階層データから個々の関連テーブルを返します。テーブルには、親ドキュメントにリンクする主キーと外部キーが含まれます。

   リレーショナル表現の構成について詳しくは、「REST データのモデル化」を参照してください。次の例で使用されているサンプルデータもあります。データには、人、所有している車、およびそれらの車で行われたさまざまなメンテナンスサービスのエントリが含まれています。The data includes entries for people, the cars they own, and various maintenance services performed on those cars.

   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、REST 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.rest.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 rest_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:rest:DataModel=Relational;URI=C:/people.xml;Format=XML;").option("dbtable","people").option("driver","cdata.jdbc.rest.RESTDriver").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. REST をテンポラリーテーブルとして登録します:

   scala> rest_df.registerTable("people")

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> rest_df.sqlContext.sql("SELECT [ personal.name.first ], [ personal.name.last ] FROM people WHERE [ personal.name.last ] = Roberts").collect.foreach(println)

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

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