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

CData JDBC Driver for SharePoint をインストール

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

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

   SharePoint のベースサイトもしくはサブサイトのURL を設定します。これにより、サイト・サブサイトのすべてのリストを含むSharePoint エンティティをクエリできます。

   Authentication セクションのUser、Password を設定します。SharePoint のオンプレミス版の際にはこの値は必須です。

   SharePoint Online に接続する場合にはSharePointEdition をSHAREPOINTONLINE に設定し、User とPassword を設定します。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。

   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、SharePoint 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.sharepoint.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 sharepoint_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:sharepoint:User=myuseraccount;Password=mypassword;Auth Scheme=NTLM;URL=http://sharepointserver/mysite;SharePointEdition=SharePointOnPremise;").option("dbtable","MyCustomList").option("driver","cdata.jdbc.sharepoint.SharePointDriver").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. SharePoint をテンポラリーテーブルとして登録します:

   scala> sharepoint_df.registerTable("mycustomlist")

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> sharepoint_df.sqlContext.sql("SELECT Name, Revenue FROM MyCustomList WHERE Location = Chapel Hill").collect.foreach(println)

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

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