Apache Spark でBigQuery のデータをSQL で操作する方法

杉本和也
リードエンジニア

CData JDBC ドライバーを使用して、Apache Spark でBigQuery にデータ連携。

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

CData JDBC Driver for GoogleBigQuery をインストール

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

ターミナルを開き、Spark shell でCData JDBC Driver for GoogleBigQuery JAR file をjars パラメータに設定します:
```
$ spark-shell --jars /CData/CData JDBC Driver for GoogleBigQuery/lib/cdata.jdbc.googlebigquery.jar
```
Shell でJDBC URL を使ってBigQuery に接続し、SQL Context load() function でテーブルを読み込みます。
BigQuery 接続プロパティの取得・設定方法

Google BigQuery はOAuth 認証標準を使用します。個々のユーザーとしてGoogle API にアクセスするには、組み込みクレデンシャルを使うか、OAuth アプリを作成します。

OAuth では、Google Apps ドメインのユーザーとしてサービスアカウントを使ってアクセスすることもできます。サービスカウントでの認証では、OAuth JWT を取得するためのアプリケーションを登録する必要があります。

OAuth 値に加え、DatasetId、ProjectId を設定する必要があります。詳細はヘルプドキュメントの「はじめに」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、BigQuery 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.googlebigquery.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 googlebigquery_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:googlebigquery:DataSetId=MyDataSetId;ProjectId=MyProjectId;").option("dbtable","Orders").option("driver","cdata.jdbc.googlebigquery.GoogleBigQueryDriver").load()
```
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。
BigQuery をテンポラリーテーブルとして登録します:
```
scala> googlebigquery_df.registerTable("orders")
```
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> googlebigquery_df.sqlContext.sql("SELECT OrderName, Freight FROM Orders WHERE ShipCity = New York").collect.foreach(println)
```
コンソールで、次のようなBigQuery のデータを取得できました！これでBigQuery との連携は完了です。