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

CData JDBC Driver for HDFS をインストール

まずは、本記事右側のサイドバーからHDFS 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HDFS のデータに接続

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

HDFS への認証には、次の接続プロパティを設定します。
- Host：HDFS インスタンスのホストに設定。
- Port：HDFS インスタンスのポートに設定。デフォルトのポートは"9870" です。
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、HDFS 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.hdfs.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 hdfs_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:hdfs:Host=sandbox-hdp.hortonworks.com;Port=50070;Path=/user/root;User=root;").option("dbtable","Files").option("driver","cdata.jdbc.hdfs.HDFSDriver").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。
HDFS をテンポラリーテーブルとして登録します:
```
scala> hdfs_df.registerTable("files")
```
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> hdfs_df.sqlContext.sql("SELECT FileId, ChildrenNum FROM Files WHERE FileId = 119116").collect.foreach(println)
```
コンソールで、次のようなHDFS のデータを取得できました！これでHDFS との連携は完了です。