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

CData JDBC Driver for Cassandra をインストール

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

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

Cassandra への接続には、Server、Port、Database を接続プロパティとして設定します。追加で、内部認証を使う場合には、User、Password を接続プロパティに設定します。

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、Cassandra 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.cassandra.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 cassandra_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:cassandra:Database=MyCassandraDB;Port=7000;Server=127.0.0.1;").option("dbtable","Customer").option("driver","cdata.jdbc.cassandra.CassandraDriver").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。
Cassandra をテンポラリーテーブルとして登録します:
```
scala> cassandra_df.registerTable("customer")
```
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> cassandra_df.sqlContext.sql("SELECT City, TotalDue FROM Customer WHERE FirstName = Bob").collect.foreach(println)
```
コンソールで、次のようなCassandra のデータを取得できました！これでCassandra との連携は完了です。