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

CData JDBC Driver for PostgreSQL をインストール

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

ターミナルを開き、Spark shell でCData JDBC Driver for PostgreSQL JAR file をjars パラメータに設定します:
```
$ spark-shell --jars /CData/CData JDBC Driver for PostgreSQL/lib/cdata.jdbc.postgresql.jar
```
Shell でJDBC URL を使ってPostgreSQL に接続し、SQL Context load() function でテーブルを読み込みます。
PostgreSQL への接続には、Server、Port（デフォルトは5432）、Database、およびUser、Password のプロパティを設定します。Database プロパティが設定されない場合には、User のデフォルトデータベースに接続します。

パスワード方式によるSSH 接続

パスワード方式によるSSH接続時に必要なプロパティ一覧を以下に示します。
- User: PostgreSQL のユーザ
- Password: PostgreSQL のパスワード
- Database: PostgreSQL の接続先データベース
- Server: PostgreSQL のサーバー
- Port: PostgreSQL のポート
- UserSSH: "true"
- SSHAuthMode: "Password"
- SSHPort: SSH のポート
- SSHServer: SSH サーバー
- SSHUser: SSH ユーザー
- SSHPassword: SSH パスワード
接続文字列形式では以下のようになります。
```
User=admin;Password=adminpassword;Database=test;Server=postgresql-server;Port=5432;UseSSH=true;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHPassword=sshpasswd;
```
公開鍵認証方式によるSSH 接続

公開鍵認証によるSSH接続時に必要なプロパティ一覧を以下に示します。
- User: PostgreSQL のユーザ
- Password: PostgreSQL のパスワード
- Database: PostgreSQL の接続先データベース
- Server: PostgreSQL のサーバー
- Port: PostgreSQL のポート
- UserSSH: "true"
- SSHAuthMode: "Public_Key"
- SSHClientCertType: キーストアの種類
- SSHPort: SSH のポート
- SSHServer: SSH サーバー
- SSHUser: SSH ユーザー
- SSHClientCert: 秘密鍵ファイルのパス
接続文字列形式では以下のようになります。
```
User=admin;Password=adminpassword;Database=test;Server=PostgreSQL-server;Port=5432;UseSSH=true;SSHClientCertType=PEMKEY_FILE;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHClientCert=C:\Keys\key.pem;
```
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、PostgreSQL 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.postgresql.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 postgresql_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:postgresql:User=postgres;Password=admin;Database=postgres;Server=127.0.0.1;Port=5432;").option("dbtable","Orders").option("driver","cdata.jdbc.postgresql.PostgreSQLDriver").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。
PostgreSQL をテンポラリーテーブルとして登録します:
```
scala> postgresql_df.registerTable("orders")
```
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> postgresql_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PostgreSQL のデータを取得できました！これでPostgreSQL との連携は完了です。