Databricks（AWS）でAzure Data Catalog 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 Data Catalog 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 Data Catalog 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 Data Catalog 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 Data Catalog 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 Data Catalog 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 Data Catalog 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 Data Catalog 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.azuredatacatalog.jar）をアップロードします。

ノートブックでAzure Data Catalog 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 Data Catalog 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 Data Catalog をクエリして、基本的なレポートを作成できます。

Azure Data Catalog 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 Data Catalog 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.azuredatacatalog.AzureDataCatalogDriver"
url = "jdbc:azuredatacatalog:RTK=5246...;"

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 Data Catalog 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.azuredatacatalog.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。

Azure Data Catalog 接続プロパティの取得・設定方法

OAuth 認証で接続

Azure Data Catalog の認証にはOAuth を使用します。CData 製品では組込みOAuth が利用できるので、接続プロパティを設定することなく接続を試行するだけで、ブラウザ経由でAAS に認証できます。詳しい設定方法については、ヘルプドキュメントの「Azure Data Catalog への認証」セクションを参照してください。

設定は任意ですが、CatalogName プロパティを設定することでAzure Data Catalog から返されるカタログデータを明示的に指定できます。

CatalogName：Azure Data Catalog に紐づいているカタログ名に設定。空のままにすると、デフォルトのカタログが使用されます。カタログ名は、「Azure Portal」->「データカタログ」->「カタログ名」から取得できます。

Azure Data Catalog 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 Data Catalog 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" , "Tables") \
	.load ()

Azure Data Catalog のデータを表示

ロードしたAzure Data Catalog 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 ("DslAddressDatabase"))

Databricks でAzure Data Catalog 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 Data Catalog 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 DslAddressDatabase, Type FROM SAMPLE_VIEW ORDER BY Type DESC LIMIT 5

Azure Data Catalog 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 Data Catalog 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 Data Catalog 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。