Apache Spark でMariaDB のデータをSQL で操作する方法

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

CData JDBC Driver for MariaDB をインストール

まずは、本記事右側のサイドバーからMariaDB 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MariaDB のデータに接続

1. ターミナルを開き、Spark shell でCData JDBC Driver for MariaDB JAR file をjars パラメータに設定します:

   $ spark-shell --jars /CData/CData JDBC Driver for MariaDB/lib/cdata.jdbc.mariadb.jar
   

2. Shell でJDBC URL を使ってMariaDB に接続し、SQL Context load() function でテーブルを読み込みます。

   接続には、MariaDB サーバーのServer およびPort プロパティを設定します。IntegratedSecurity をFALSE に設定する場合、User およびPassword プロパティが必要になります。Database は設定すればデータベースの指定が可能です。設定しない場合には全データベースが使えます。

   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、MariaDB 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.mariadb.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 mariadb_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:mariadb:User=myUser;Password=myPassword;Database=NorthWind;Server=myServer;Port=3306;").option("dbtable","Orders").option("driver","cdata.jdbc.mariadb.MariaDBDriver").load()
   

3. 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。

4. MariaDB をテンポラリーテーブルとして登録します:

   scala> mariadb_df.registerTable("orders")

5. 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> mariadb_df.sqlContext.sql("SELECT ShipName, ShipCity FROM Orders WHERE ShipCountry = USA").collect.foreach(println)

   コンソールで、次のようなMariaDB のデータを取得できました！これでMariaDB との連携は完了です。

   

CData JDBC Driver for MariaDB をApache Spark で使って、MariaDB に対して、複雑かつハイパフォーマンスなクエリを実行できます。30日の無償評価版 をダウンロードしてぜひお試しください。

Apache Spark の設定