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

CData JDBC Driver for SQL をインストール

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

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

   SQL Server 接続プロパティの取得・設定方法

   Microsoft SQL Server への接続には以下を入力します。

   • Server: SQL Server が稼働するサーバー名。
   • User: SQL Server に接続するユーザー名。
   • Password: 接続するユーザーのパスワード。
   • Database: SQL Server データベース名。

   Azure SQL Server およびAzure Data Warehouse への接続

   Azure SQL Server およびAzure Data Warehouse には以下の接続プロパティを入力して接続します:

   • Server: Azure 上のサーバー。Azure ポータルの「SQL databases」（もしくは「SQL data warehouses」）-> データベースを選択 -> 「Overview」-> 「Server name」で確認が可能です。
   • User: Azure に認証するユーザー名。
   • Password: 認証するユーザーのパスワード。
   • Database: Azure ポータルでSQL databases (or SQL warehouses) ページに表示されるデータベース名。

   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、SQL Server 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.sql.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 sql_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:sql:User=myUser;Password=myPassword;Database=NorthWind;Server=myServer;Port=1433;").option("dbtable","Orders").option("driver","cdata.jdbc.sql.SQLDriver").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. SQL Server をテンポラリーテーブルとして登録します:

   scala> sql_df.registerTable("orders")

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> sql_df.sqlContext.sql("SELECT ShipName, Freight FROM Orders WHERE ShipCountry = USA").collect.foreach(println)

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

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