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

CData JDBC Driver for Sansan をインストール

まずは、本記事右側のサイドバーからSansan 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Sansan データに接続

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

   Sansan への接続にはAPIKey が必要です。Sansan の管理画面からAPIキーを発行して、接続プロパティに入力します。

   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、Sansan 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.sansan.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 sansan_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:sansan:APIKey=myApiKey;").option("dbtable","Bizcards").option("driver","cdata.jdbc.sansan.SansanDriver").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. Sansan をテンポラリーテーブルとして登録します:

   scala> sansan_df.registerTable("bizcards")

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> sansan_df.sqlContext.sql("SELECT BizcardId, Email FROM Bizcards WHERE BizcardId = 00E683BEE2DFC04399B3CC8DA5591A24").collect.foreach(println)

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

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