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

CData JDBC Driver for Redshift をインストール

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

ターミナルを開き、Spark shell でCData JDBC Driver for Redshift JAR file をjars パラメータに設定します:
```
$ spark-shell --jars /CData/CData JDBC Driver for Redshift/lib/cdata.jdbc.redshift.jar
```
Shell でJDBC URL を使ってRedshift に接続し、SQL Context load() function でテーブルを読み込みます。
Amazon Redshift への接続

それでは、早速Amazon Redshift に接続していきましょう。データに接続するには、以下の接続パラメータを指定します。
- Server：Amazon Redshift データベースをホスティングしているサーバーのホスト名またはIP アドレス
- Database：Amazon Redshift クラスター用に作成したデータベース
- Port（オプション）：Amazon Redshift データベースをホスティングしているサーバーのポート。デフォルトは5439です
これらの値は、以下のステップでAWS マネージメントコンソールから取得できます。
1. Amazon Redshift コンソールを開きます（http://console.aws.amazon.com/redshift）
2. Clusters ページで、クラスター名をクリックしてください
3. Configuration タブの"Cluster Database Properties" セクションからプロパティを取得します。接続プロパティの値は、ODBC URL で設定された値と同じになります
Amazon Redshiftへの認証
CData 製品では幅広い認証オプションに対応しています。標準認証情報からIAM クレデンシャル、ADFS、Ping Federate、Microsoft Entra ID（Azure AD）、Azure AD PKCE まで利用可能です。
標準認証
ログイン資格情報を使用してAmazon Redshift に接続するには、以下のプロパティを設定してみましょう。
- AuthScheme：Basic
- User：認証するユーザーのログイン情報
- Password：認証するユーザーのパスワード
その他の認証方法については、ヘルプドキュメントをご確認ください。

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、Redshift 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.redshift.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 redshift_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:redshift:User=admin;Password=admin;Database=dev;Server=examplecluster.my.us-west-2.redshift.amazonaws.com;Port=5439;").option("dbtable","Orders").option("driver","cdata.jdbc.redshift.RedshiftDriver").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。
Redshift をテンポラリーテーブルとして登録します:
```
scala> redshift_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> redshift_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Redshift のデータを取得できました！これでRedshift との連携は完了です。