Databricks（AWS）でAzure Table のデータを処理・分析

Databricks は、Apache Spark を通じたデータ処理機能を提供するクラウドベースのサービスです。CData JDBC Driver と組み合わせることで、Databricks を使用してリアルタイムAzure Table のデータに対してデータエンジニアリングとデータサイエンスを実行できます。この記事では、AWS でCData JDBC Driver をホストし、Databricks でリアルタイムAzure Table のデータに接続して処理する方法を説明します。

最適化されたデータ処理が組み込まれたCData JDBC Driver は、リアルタイムAzure Table のデータを扱う上で比類のないパフォーマンスを提供します。Azure Table 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のサポートされているSQL 操作をAzure Table に直接プッシュし、サポートされていない操作（主にSQL 関数やJOIN 操作）は組み込みSQL エンジンを利用して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ってAzure Table のデータを操作・分析できます。

CData JDBC Driver をDatabricks にインストール

Databricks でリアルタイムAzure Table のデータを操作するには、Databricks クラスターにドライバーをインストールします。

1. Databricks の管理画面に移動し、対象のクラスターを選択します。
2. Libraries タブで「Install New」をクリックします。
3. Library Source として「Upload」を選択し、Library Type として「Jar」を選択します。
4. インストール場所（通常はC:\Program Files\CData[product_name]\lib）からJDBC JAR ファイル（cdata.jdbc.azuretables.jar）をアップロードします。

ノートブックでAzure Table のデータにアクセス：Python

JAR ファイルをインストールしたら、Databricks でリアルタイムAzure Table のデータを操作する準備が整いました。ワークスペースに新しいノートブックを作成します。ノートブックに名前を付け、言語としてPython を選択し（Scala も利用可能）、JDBC ドライバーをインストールしたクラスターを選択します。ノートブックが起動したら、接続を設定し、Azure Table をクエリして、基本的なレポートを作成できます。

Azure Table への接続を設定

JDBC Driver クラスを参照し、JDBC URL で使用する接続文字列を構築してAzure Table に接続します。また、JDBC URL でRTK プロパティを設定する必要があります（Beta ドライバーを使用している場合を除く）。このプロパティの設定方法については、インストールに含まれるライセンスファイルを参照してください。

ステップ1：接続情報

driver = "cdata.jdbc.azuretables.AzureTablesDriver"
url = "jdbc:azuretables:RTK=5246...;AccessKey=myAccessKey;Account=myAccountName;"

組み込みの接続文字列デザイナー

JDBC URL の作成をサポートするために、Azure Table JDBC Driver に組み込まれている接続文字列デザイナーが使用できます。JAR ファイルをダブルクリックするか、コマンドラインからJAR ファイルを実行します。

java -jar cdata.jdbc.azuretables.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。

Account プロパティをストレージアカウント名に設定し、ストレージアカウントのAccessKey を設定して接続します。これらの値を取得する方法は次のとおりです。

ストレージをBackend として使用している場合（デフォルト）

• Azure ポータルにログインし、左側の「サービス」メニューで「ストレージアカウント」を選択します。
• ストレージアカウントがない場合は、「追加」ボタンをクリックしてアカウントを作成します。
• 使用するストレージアカウントのリンクをクリックし、「設定」の「アクセスキー」を選択します。 「アクセスキー」ウィンドウには、ストレージアカウント名とCData 製品で使用するキー（接続にはkey1またはkey2のどちらかを使用できます）が含まれています。これらのプロパティは、それぞれAccount とAccessKey 接続プロパティにマッピングされます。

Azure SQL への接続

• Azure ポータルにログインし、左側の「サービス」メニューで「Azure Cosmos DB」を選択します。
• 使用するCosmos DB アカウントのリンクをクリックし、「設定」の「接続文字列」を選択します。 「接続文字列」ウィンドウには、Cosmos DB アカウント名とCData 製品で使用する主キーが含まれています。これらのプロパティは、それぞれAccount とAccessKey 接続プロパティにマッピングされます。

Azure Table のデータをロード

接続を設定したら、CData JDBC Driver と接続情報を使用して、Azure Table のデータをDataFrame としてロードできます。

ステップ2：データの読み取り

remote_table = spark.read.format ( "jdbc" ) \
	.option ( "driver" , driver) \
	.option ( "url" , url) \
	.option ( "dbtable" , "NorthwindProducts") \
	.load ()

Azure Table のデータを表示

ロードしたAzure Table のデータをdisplay 関数を呼び出して確認します。

ステップ3：結果の確認

display (remote_table.select ("Name"))

Databricks でAzure Table のデータを分析

Databricks SparkSQL でデータを処理するには、ロードしたデータをTemp View として登録します。

ステップ4：ビューまたはテーブルを作成

remote_table.createOrReplaceTempView ( "SAMPLE_VIEW" )

Temp View を作成したら、SparkSQL を使用してAzure Table のデータをレポート、ビジュアライゼーション、分析用に取得できます。

% sql

SELECT Name, Price FROM SAMPLE_VIEW ORDER BY Price DESC LIMIT 5

Azure Table からのデータは、対象のノートブックでのみ利用可能です。他のユーザーと共有したい場合は、テーブルとして保存します。

remote_table.write.format ( "parquet" ) .saveAsTable ( "SAMPLE_TABLE" )

CData JDBC Driver for Azure の30日間無償トライアルをダウンロードして、Databricks でリアルタイムAzure Table のデータの操作をはじめましょう。ご不明な点があれば、サポートチームにお問い合わせください。