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

CData JDBC Driver for Databricks をインストール

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

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

Databricks クラスターに接続するには、以下のプロパティを設定します。
- Database：Databricks データベース名。
- Server：Databricks クラスターのサーバーのホスト名。
- HTTPPath：Databricks クラスターのHTTP パス。
- Token：個人用アクセストークン。この値は、Databricks インスタンスのユーザー設定ページに移動してアクセストークンタブを選択することで取得できます。
Databricks インスタンスで必要な値は、クラスターに移動して目的のクラスターを選択し、Advanced Options の下にあるJDBC/ODBC タブを選択することで見つけることができます。
Databricks への認証

CData は、次の認証スキームをサポートしています。
- 個人用アクセストークン
- Microsoft Entra ID（Azure AD）
- Azure サービスプリンシパル
- OAuthU2M
- OAuthM2M
個人用アクセストークン
認証するには、次を設定します。
- AuthScheme：PersonalAccessToken。
- Token：Databricks サーバーへの接続に使用するトークン。Databricks インスタンスのユーザー設定ページに移動してアクセストークンタブを選択することで取得できます。
その他の認証方法については、ヘルプドキュメントの「はじめに」セクション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、Databricks 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.databricks.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 databricks_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:databricks:Server=127.0.0.1;HTTPPath=MyHTTPPath;User=MyUser;Token=MyToken;").option("dbtable","Customers").option("driver","cdata.jdbc.databricks.DatabricksDriver").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。
Databricks をテンポラリーテーブルとして登録します:
```
scala> databricks_df.registerTable("customers")
```
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> databricks_df.sqlContext.sql("SELECT City, CompanyName FROM Customers WHERE Country = US").collect.foreach(println)
```
コンソールで、次のようなDatabricks のデータを取得できました！これでDatabricks との連携は完了です。