Embulk を使用して Hive 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 Apache Hive と組み合わせることで、Hive 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 Apache Hive をEmbulk で使用してHive 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Hive 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。Hive 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Hive 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。

Hive 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 Apache Hive\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、Hive 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、Hive への認証用のJDBC URL を作成します。

Apache Hive への接続を確立するには以下を指定します。

• Server：HiveServer2 をホストするサーバーのホスト名またはIP アドレスに設定。
• Port：HiveServer2 インスタンスへの接続用のポートに設定。
• TransportMode：Hive サーバーとの通信に使用するトランスポートモード。有効な入力値は、BINARY およびHTTP です。デフォルトではBINARY が選択されます。
• AuthScheme：使用される認証スキーム。有効な入力値はPLAIN、LDAP、NOSASL、およびKERBEROS です。デフォルトではPLAIN が選択されます。
• CData 製品においてTLS/SSL を有効化するには、UseSSL をTrue に設定します

組み込みの接続文字列デザイナー

JDBC URL の作成には、Hive 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.apachehive.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、Hive への一般的なJDBC 接続文字列です。

jdbc:apachehive:Server=127.0.0.1;Port=10000;TransportMode=BINARY;

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

Hive 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apachehive-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 Apache Hive、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.apachehive.ApacheHiveDriver）、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（apachehive-mysql.yml）

in:
	type: jdbc
	driver_path: C:\Program Files\CData[product_name] 20xx\lib\cdata.jdbc.apachehive.jar
	driver_class: cdata.jdbc.apachehive.ApacheHiveDriver
	url: jdbc:apachehive:Server=127.0.0.1;Port=10000;TransportMode=BINARY;
	table: "Customers"
out:
	type: mysql
	host: localhost
	database: DatabaseName
	user: UserId
	password: UserPassword
	table: "Customers"
	mode: insert

ファイルを作成したら、Embulk ジョブを実行します。

embulk run apachehive-mysql.yml

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

フィルタリングした Hive 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.apachehive.jar
	driver_class: cdata.jdbc.apachehive.ApacheHiveDriver
	url: jdbc:apachehive:Server=127.0.0.1;Port=10000;TransportMode=BINARY;
	query: "SELECT City, CompanyName FROM Customers WHERE [RecordId] = 1"
out:
	type: mysql
	host: localhost
	database: DatabaseName
	user: UserId
	password: UserPassword
	table: "Customers"
	mode: insert

詳細情報と無料トライアル

CData JDBC Driver for Apache Hive 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Hive 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。