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

CData JDBC Driver for xBase をインストール

まずは、本記事右側のサイドバーからxBase 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xBase データに接続

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

   DataSource プロパティを.dbf ファイルを含むフォルダの名前に設定してください。 .dbf 以外の拡張子を持つxBase テーブルのファイルで動作するようにするには、IncludeFiles プロパティを指定してください。 複数の拡張子をカンマ区切りリストで指定します。

   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、xBase 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.xbase.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 xbase_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:xbase:DataSource=MyDBFFilesFolder;").option("dbtable","Invoices").option("driver","cdata.jdbc.xbase.xBaseDriver").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. xBase をテンポラリーテーブルとして登録します:

   scala> xbase_df.registerTable("invoices")

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> xbase_df.sqlContext.sql("SELECT Company, Total FROM Invoices WHERE Class = ASSET").collect.foreach(println)

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

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