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

CData JDBC Driver for SparkSQL をインストール

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

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

   SparkSQL への接続

   SparkSQL への接続を確立するには以下を指定します。

   • Server：SparkSQL をホストするサーバーのホスト名またはIP アドレスに設定。
   • Port：SparkSQL インスタンスへの接続用のポートに設定。
   • TransportMode：SparkSQL サーバーとの通信に使用するトランスポートモード。有効な入力値は、BINARY およびHTTP です。デフォルトではBINARY が選択されます。
   • AuthScheme：使用される認証スキーム。有効な入力値はPLAIN、LDAP、NOSASL、およびKERBEROS です。デフォルトではPLAIN が選択されます。

   Databricks への接続

   Databricks クラスターに接続するには、以下の説明に従ってプロパティを設定します。Note：必要な値は、「クラスター」に移動して目的のクラスターを選択し、 「Advanced Options」の下にある「JDBC/ODBC」タブを選択することで、Databricks インスタンスで見つけることができます。

   • Server：Databricks クラスターのサーバーのホスト名に設定。
   • Port：443
   • TransportMode：HTTP
   • HTTPPath：Databricks クラスターのHTTP パスに設定。
   • UseSSL：True
   • AuthScheme：PLAIN
   • User：'token' に設定。
   • Password：パーソナルアクセストークンに設定（値は、Databricks インスタンスの「ユーザー設定」ページに移動して「アクセストークン」タブを選択することで取得できます）。

   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、Spark 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.sparksql.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 sparksql_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:sparksql:Server=127.0.0.1;").option("dbtable","Customers").option("driver","cdata.jdbc.sparksql.SparkSQLDriver").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. Spark をテンポラリーテーブルとして登録します:

   scala> sparksql_df.registerTable("customers")

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> sparksql_df.sqlContext.sql("SELECT City, Balance FROM Customers WHERE Country = US").collect.foreach(println)

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

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