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

CData JDBC Driver for XML をインストール

まずは、本記事右側のサイドバーからXML 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XML データに接続

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

   データソースを認証するには、データプロバイダーのドキュメント内の「はじめに」セクションをご覧ください。 データプロバイダーはXML API を双方向データベーステーブルとしてモデル化し、XML ファイルをread-only ビュー（ローカルファイル、人気のクラウドサービスに格納されたファイル、およびFTP サーバー）としてモデル化します。 HTTP Basic、Digest、NTLM、OAuth、およびFTP を含む主な認証スキームはサポートされています。認証のガイドについては、データプロバイダーのドキュメント内の「はじめに」セクションをご覧ください。

   URI と認証値を設定した後で、DataModel を設定することでデータの構造によりよくマッチするようデータの抽象化を調整できます。

   DataModel プロパティはデータがどのようにテーブルとして抽象化されるかを制御するプロパティであり、次の基本的な設定を調整します。

   • Document（デフォルト）：XML データのトップレベルのドキュメントビューをモデル化します。データプロバイダーは入れ子化した要素をデータの集約値として返します。
   • FlattenedDocuments：入れ子化したドキュメントとその親を結合して単一のテーブルに入力します。
   • Relational：個別の関連テーブルを階層化されたデータから返します。テーブルは主キーと、親ドキュメントにリンクする外部キーを含みます。

   リレーショナルな抽象化の設定についての詳細は、「XML データのモデリング」セクションを参照してください。次の例で使用されているサンプルデータも存在します。 このデータには、人名、その人たちが所有する車、車に施されたさまざまなメンテナンスに関する情報が含まれます。

   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、XML 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.xml.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 xml_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:xml:URI=C:/people.xml;DataModel=Relational;").option("dbtable","people").option("driver","cdata.jdbc.xml.XMLDriver").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. XML をテンポラリーテーブルとして登録します:

   scala> xml_df.registerTable("people")

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> xml_df.sqlContext.sql("SELECT [ personal.name.first ], [ personal.name.last ] FROM people WHERE [ personal.name.last ] = Roberts").collect.foreach(println)

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

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