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

CData JDBC Driver for SASDataSets をインストール

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

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

   SAS DataSets ファイルに接続するには、次の接続プロパティを設定します。

   • URI: .sas7bdat リソースを含むフォルダに設定。現時点では、ローカルファイルのみをサポートしています。

   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、SAS Data Sets 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.sasdatasets.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 sasdatasets_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:sasdatasets:URI=C:/myfolder;").option("dbtable","restaurants").option("driver","cdata.jdbc.sasdatasets.SASDataSetsDriver").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. SAS Data Sets をテンポラリーテーブルとして登録します:

   scala> sasdatasets_df.registerTable("restaurants")

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> sasdatasets_df.sqlContext.sql("SELECT name, borough FROM restaurants WHERE cuisine = American").collect.foreach(println)

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

CData JDBC Driver for SASDataSets をApache Spark で使って、SAS Data Sets 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。