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

CData JDBC Driver for RSS をインストール

まずは、本記事右側のサイドバーからRSS 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RSS データに接続

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

   RSS とAtom フィード、およびカスタム拡張機能を備えたフィードに接続できます。フィードに接続するには、URL プロパティを設定します。セキュアなフィードにアクセスすることもできます。さまざまな認証メカニズムがサポートされています。詳しくは、ヘルプドキュメントを参照してください。

   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、RSS 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.rss.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 rss_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:rss:URI=http://broadcastCorp/rss/;").option("dbtable","Latest News").option("driver","cdata.jdbc.rss.RSSDriver").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. RSS をテンポラリーテーブルとして登録します:

   scala> rss_df.registerTable("latest news")

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> rss_df.sqlContext.sql("SELECT Author, Pubdate FROM Latest News WHERE Category = US").collect.foreach(println)

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

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