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

CData JDBC Driver for Twitter をインストール

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

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

   すべてのテーブルには認証が必要です。OAuth を使用してTwitter で認証する必要があります。OAuth では認証するユーザーにブラウザでTwitter との通信を要求します。詳しくは、ヘルプドキュメントの「OAuth 認証の使用」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、Twitter 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.twitter.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 twitter_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:twitter:").option("dbtable","Tweets").option("driver","cdata.jdbc.twitter.TwitterDriver").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. Twitter をテンポラリーテーブルとして登録します:

   scala> twitter_df.registerTable("tweets")

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> twitter_df.sqlContext.sql("SELECT From_User_Name, Retweet_Count FROM Tweets WHERE From_User_Name = twitter").collect.foreach(println)

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

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