Embulk を使用して Google Cloud Storage ののデータをデータベースにロードする方法

Embulk はオープンソースのバルクデータローダーです。CData JDBC Driver for Google Cloud Storage と組み合わせることで、Google Cloud Storage から任意の同期先にデータを簡単にロードできます。この記事では、CData JDBC Driver for Google Cloud Storage をEmbulk で使用してGoogle Cloud Storage のデータをMySQL データベースにロードする方法を解説します。

CData JDBC Driver は、最適化されたデータ処理機能を内蔵しており、リアルタイムのGoogle Cloud Storage のデータに対して比類のないパフォーマンスを発揮します。Google Cloud Storage に対して複雑な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 操作を直接Google Cloud Storage にプッシュし、サポートされていない操作（SQL 関数やJOIN 操作など）は組み込みのSQL エンジンを使用してクライアント側で処理します。

Google Cloud Storage への JDBC 接続を設定

Embulk でバルクロードジョブを作成する前に、JDBC Driver のJAR ファイルのインストール場所（通常はC:\Program Files\CData\CData JDBC Driver for Google Cloud Storage\lib）を確認しておきます。

Embulk はJDBC 接続をサポートしているため、Google Cloud Storage に簡単に接続してSQL クエリを実行できます。バルクロードジョブを作成する前に、Google Cloud Storage への認証用のJDBC URL を作成します。

ユーザーアカウントでの認証

ユーザー資格情報の接続プロパティを設定することなく接続できます。InitiateOAuth をGETANDREFRESH に設定したら、接続の準備が完了です。

接続すると、Google Cloud Storage OAuth エンドポイントがデフォルトブラウザで開きます。ログインして権限を付与すると、OAuth プロセスが完了します。

サービスアカウントでの認証

サービスアカウントには、ブラウザでユーザー認証を行わないサイレント認証があります。サービスアカウントを使用して、企業全体のアクセススコープを委任することもできます。

このフローでは、OAuth アプリケーションを作成する必要があります。詳しくは、ヘルプドキュメントを参照してください。以下の接続プロパティを設定したら、接続の準備が完了です：

• InitiateOAuth: GETANDREFRESH に設定。
• OAuthJWTCertType: PFXFILE に設定。
• OAuthJWTCert: 生成した.p12 ファイルへのパスに設定。
• OAuthJWTCertPassword: .p12 ファイルのパスワードに設定。
• OAuthJWTCertSubject: 証明書ストアの最初の証明書が選ばれるように"*" に設定。
• OAuthJWTIssuer: 「サービスアカウント」セクションで「サービスアカウントの管理」をクリックし、このフィールドをサービスアカウントID フィールドに表示されているE メールアドレスに設定。
• OAuthJWTSubject: サブジェクトタイプが"enterprise" に設定されている場合はエンタープライズID に設定し、"user" に設定されている場合はアプリユーザーID に設定。
• ProjectId: 接続するプロジェクトのID に設定。

これで、サービスアカウントのOAuth フローが完了します。

組み込みの接続文字列デザイナー

JDBC URL の作成には、Google Cloud Storage JDBC Driver に組み込まれている接続文字列デザイナーを使用できます。JAR ファイルをダブルクリックするか、コマンドラインからJAR ファイルを実行します。

java -jar cdata.jdbc.googlecloudstorage.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。

以下は、Google Cloud Storage への一般的なJDBC 接続文字列です。

jdbc:googlecloudstorage:ProjectId='project1';

Embulk で Google Cloud Storage ののデータをロード

CData JDBC Driver をインストールしてJDBC 接続文字列を作成したら、必要なEmbulk プラグインをインストールします。

Embulk の入力・出力プラグインをインストール

1. Embulk にJDBC 入力プラグインをインストールします。
   https://github.com/embulk/embulk-input-jdbc/tree/master/embulk-input-jdbc

embulk gem install embulk-input-jdbc

2. この記事では、同期先データベースとしてMySQL を使用します。出力プラグインを使用して、SQL Server、PostgreSQL、またはGoogle BigQuery を同期先として選択することもできます。
   https://github.com/embulk/embulk-output-jdbc/tree/master/embulk-output-mysql

   embulk gem install embulk-output-mysql
   

入力プラグインと出力プラグインをインストールしたら、Embulk を使用してGoogle Cloud Storage のデータをMySQL にロードする準備が整いました。

Google Cloud Storage ののデータをロードするジョブを作成

まず、Embulk で設定ファイルを作成します。ファイル名はgooglecloudstorage-mysql.yml のようにします。

1. 入力プラグインのオプションには、CData JDBC Driver for Google Cloud Storage、ドライバーJAR ファイルへのパス、ドライバークラス（例：cdata.jdbc.googlecloudstorage.GoogleCloudStorageDriver）、および上記のJDBC URL を指定します。
2. 出力プラグインのオプションには、MySQL データベースの値と認証情報を指定します。

設定ファイルのサンプル（googlecloudstorage-mysql.yml）

in:
	type: jdbc
	driver_path: C:\Program Files\CData[product_name] 20xx\lib\cdata.jdbc.googlecloudstorage.jar
	driver_class: cdata.jdbc.googlecloudstorage.GoogleCloudStorageDriver
	url: jdbc:googlecloudstorage:ProjectId='project1';
	table: "Buckets"
out:
	type: mysql
	host: localhost
	database: DatabaseName
	user: UserId
	password: UserPassword
	table: "Buckets"
	mode: insert

ファイルを作成したら、Embulk ジョブを実行します。

embulk run googlecloudstorage-mysql.yml

Embulk ジョブを実行すると、MySQL テーブルにGoogle Cloud Storage のデータが格納されます。

フィルタリングした Google Cloud Storage ののデータをロード

テーブルから直接データをロードするだけでなく、カスタムSQL クエリを使用してロードするデータをより詳細に制御できます。また、クエリフィールドのSQL WHERE 句で最終更新カラムを設定することで、増分ロードを実行することもできます。

in:
	type: jdbc
	driver_path: C:\Program Files\CData[product_name] 20xx\lib\cdata.jdbc.googlecloudstorage.jar
	driver_class: cdata.jdbc.googlecloudstorage.GoogleCloudStorageDriver
	url: jdbc:googlecloudstorage:ProjectId='project1';
	query: "SELECT Name, OwnerId FROM Buckets WHERE [RecordId] = 1"
out:
	type: mysql
	host: localhost
	database: DatabaseName
	user: UserId
	password: UserPassword
	table: "Buckets"
	mode: insert

詳細情報と無料トライアル

CData JDBC Driver for Google Cloud Storage をコネクタとして使用することで、Embulk のデータロードジョブにGoogle Cloud Storage のデータを統合できます。また、200 を超えるエンタープライズデータソース向けドライバーにより、あらゆるエンタープライズSaaS、ビッグデータ、NoSQL ソースも統合できます。30日間の無料トライアルをダウンロードして、今すぐお試しください。