Databricks（AWS）でGoogle Drive のデータを処理・分析

Databricks は、Apache Spark を通じたデータ処理機能を提供するクラウドベースのサービスです。CData JDBC Driver と組み合わせることで、Databricks を使用してリアルタイムGoogle Drive のデータに対してデータエンジニアリングとデータサイエンスを実行できます。この記事では、AWS でCData JDBC Driver をホストし、Databricks でリアルタイムGoogle Drive のデータに接続して処理する方法を説明します。

最適化されたデータ処理が組み込まれたCData JDBC Driver は、リアルタイムGoogle Drive のデータを扱う上で比類のないパフォーマンスを提供します。Google Drive 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のサポートされているSQL 操作をGoogle Drive に直接プッシュし、サポートされていない操作（主にSQL 関数やJOIN 操作）は組み込みSQL エンジンを利用して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ってGoogle Drive のデータを操作・分析できます。

CData JDBC Driver をDatabricks にインストール

Databricks でリアルタイムGoogle Drive のデータを操作するには、Databricks クラスターにドライバーをインストールします。

1. Databricks の管理画面に移動し、対象のクラスターを選択します。
2. Libraries タブで「Install New」をクリックします。
3. Library Source として「Upload」を選択し、Library Type として「Jar」を選択します。
4. インストール場所（通常はC:\Program Files\CData[product_name]\lib）からJDBC JAR ファイル（cdata.jdbc.googledrive.jar）をアップロードします。

ノートブックでGoogle Drive のデータにアクセス：Python

JAR ファイルをインストールしたら、Databricks でリアルタイムGoogle Drive のデータを操作する準備が整いました。ワークスペースに新しいノートブックを作成します。ノートブックに名前を付け、言語としてPython を選択し（Scala も利用可能）、JDBC ドライバーをインストールしたクラスターを選択します。ノートブックが起動したら、接続を設定し、Google Drive をクエリして、基本的なレポートを作成できます。

Google Drive への接続を設定

JDBC Driver クラスを参照し、JDBC URL で使用する接続文字列を構築してGoogle Drive に接続します。また、JDBC URL でRTK プロパティを設定する必要があります（Beta ドライバーを使用している場合を除く）。このプロパティの設定方法については、インストールに含まれるライセンスファイルを参照してください。

ステップ1：接続情報

driver = "cdata.jdbc.googledrive.GoogleDriveDriver"
url = "jdbc:googledrive:RTK=5246...;"

組み込みの接続文字列デザイナー

JDBC URL の作成をサポートするために、Google Drive JDBC Driver に組み込まれている接続文字列デザイナーが使用できます。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.googledrive.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。

Google Drive はOAuth 認証標準を利用しています。各ユーザーやドメイン内のユーザーの代わりに、CData 製品がGoogle API にアクセスすることを許可できます。 接続すると、CData 製品はデフォルトブラウザでOAuth エンドポイントを開きます。ログインして、アプリケーションにアクセス許可を与えます。CData 製品がOAuth プロセスを完了します。

詳細はヘルプドキュメントを参照してください。

尚、CData 製品はGoogle Drive のファイルの一覧表示やユーザー管理情報の取得用です。Google Drive に保管されているExcel、CSV、JSON などのファイル内のデータを読み込みたい場合には、Excel Driver、CSV Driver、JSON Driver をご利用ください。

Google Drive のデータをロード

接続を設定したら、CData JDBC Driver と接続情報を使用して、Google Drive のデータをDataFrame としてロードできます。

ステップ2：データの読み取り

remote_table = spark.read.format ( "jdbc" ) \
	.option ( "driver" , driver) \
	.option ( "url" , url) \
	.option ( "dbtable" , "Files") \
	.load ()

Google Drive のデータを表示

ロードしたGoogle Drive のデータをdisplay 関数を呼び出して確認します。

ステップ3：結果の確認

display (remote_table.select ("Name"))

Databricks でGoogle Drive のデータを分析

Databricks SparkSQL でデータを処理するには、ロードしたデータをTemp View として登録します。

ステップ4：ビューまたはテーブルを作成

remote_table.createOrReplaceTempView ( "SAMPLE_VIEW" )

Temp View を作成したら、SparkSQL を使用してGoogle Drive のデータをレポート、ビジュアライゼーション、分析用に取得できます。

% sql

SELECT Name, Size FROM SAMPLE_VIEW ORDER BY Size DESC LIMIT 5

Google Drive からのデータは、対象のノートブックでのみ利用可能です。他のユーザーと共有したい場合は、テーブルとして保存します。

remote_table.write.format ( "parquet" ) .saveAsTable ( "SAMPLE_TABLE" )

CData JDBC Driver for Google Drive の30日間無償トライアルをダウンロードして、Databricks でリアルタイムGoogle Drive のデータの操作をはじめましょう。ご不明な点があれば、サポートチームにお問い合わせください。