Embulk を使用して Google Data Catalog 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 Data Catalog と組み合わせることで、Google Data Catalog 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 Data Catalog をEmbulk で使用してGoogle Data Catalog 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 Data Catalog 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 Data Catalog 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 Data Catalog 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 Data Catalog 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 Data Catalog\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 Data Catalog 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 Data Catalog への認証用のJDBC URL を作成します。

Google Data Catalog 接続プロパティの取得・設定方法

認証プロパティを追加する前に、次の接続プロパティを設定してください。

• OrganizationId：接続するGoogle Cloud Platform の組織リソースに関連付けられたID。これはGCP コンソールに移動して確認してください。 「プロジェクト」ドロップダウンメニューを開き、リストから組織へのリンクをクリックします。このページから組織ID を取得できます。
• ProjectId：接続するGCP のプロジェクトリソースに関連付けられたID。GCP コンソールのダッシュボードに移動し、「プロジェクトを選択」のメニューからお好みのプロジェクトを選択して確認してください。プロジェクトID は、「プロジェクト情報」項目に表示されます。

Google Data Catalog への認証

CData 製品は、認証にユーザーアカウント、サービスアカウント、およびGCP インスタンスアカウントの使用をサポートします。

OAuth の設定方法については、ヘルプドキュメントの「OAuth」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 URL の作成には、Google Data Catalog 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.googledatacatalog.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 Data Catalog への一般的なJDBC 接続文字列です。

jdbc:googledatacatalog:ProjectId=YourProjectId;

Embulk で Google Data Catalog 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 Data Catalog のデータをMySQL にロードする準備が整いました。

Google Data Catalog 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googledatacatalog-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 Data Catalog、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.googledatacatalog.GoogleDataCatalogDriver）、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（googledatacatalog-mysql.yml）

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

ファイルを作成したら、Embulk ジョブを実行します。

embulk run googledatacatalog-mysql.yml

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

フィルタリングした Google Data Catalog 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.googledatacatalog.jar
	driver_class: cdata.jdbc.googledatacatalog.GoogleDataCatalogDriver
	url: jdbc:googledatacatalog:ProjectId=YourProjectId;
	query: "SELECT Type, DatasetName FROM Schemas WHERE [RecordId] = 1"
out:
	type: mysql
	host: localhost
	database: DatabaseName
	user: UserId
	password: UserPassword
	table: "Schemas"
	mode: insert

詳細情報と無料トライアル

CData JDBC Driver for Google Data Catalog 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 Data Catalog 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。