AWS Glue ジョブからSalesforce Data Cloud のデータにJDBC 経由で接続

AWS Glue はAmazon のETL サービスであり、簡単にデータプレパレーションを実行してストレージおよび分析用に読み込むことができます。AWS Glue と一緒にPySpark モジュールを使用すると、JDBC 接続経由でデータを処理するジョブを作成し、そのデータをAWS データストアに直接読み込むことができます。ここでは、CData JDBC Driver for SalesforceDataCloud をAmazon S3 バケットにアップロードし、Salesforce Data Cloud からデータを抽出してCSV ファイルとしてS3 に保存するためのAWS Glue ジョブを作成・実行する方法について説明します。

CData JDBC Driver for SalesforceDataCloud をAmazon S3 バケットにアップロード

CData JDBC Driver for SalesforceDataCloud をAWS Glue から使用するには、ドライバーの.jar ファイル（および必要なライセンスファイル）をAmazon S3 のバケットに配置する必要があります。

1. Amazon S3 コンソールを開きます。
2. バケットを選択、もしくは作成します。
3. ［アップロード］をクリックします。
4. JDBC Driver の.jar ファイル(cdata.jdbc.salesforcedatacloud.jar) をインストールディレクトリのlib フォルダから選択してアップロードします。

Amazon Glue Job を設定

1. ［分析］->［AWS Glue］をクリックします。
2. AWS Glue コンソールで、［ETL］->［ジョブ］をクリックします。
3. ［ジョブの追加］をクリックして新しいGlue ジョブを作成します。
4. ジョブのプロパティを設定します:
   • 名前: SalesforceDataCloudGlueJob など任意のジョブ名
   • IAM ロール: AWSGlueServiceRole もしくは AmazonS3FullAccessSelect の権限があるIAM ロールを設定（JDBC Driver がAmazon S3 バケットにあるため）。
   • Type: ［Spark］を選択。
   • Glue version: ドロップダウンからバージョンを選択。
   • このジョブ実行: ［ユーザーが作成する新しいスクリプト］を選択。
     スクリプトプロパティの設定:
   • スクリプトファイル名: GlueSalesforceDataCloudJDBC などのスクリプトファイル名。
   • スクリプトが保存されているS3 パス: S3 バケットを入力もしくは選択。
   • 一時ディレクトリ: S3 バケットを入力もしくは選択
   • ETL 言語: ［Python］を選択
   • セキュリティ設定、スクリプトライブラリおよびジョブパラメータを展開。依存JARS パスは、JDBC の.jar ファイルをアップロードしたS3 バケットに設定。.jar ファイル名 s3://mybucket/cdata.jdbc.salesforcedatacloud.jar も含めます。
5. ［次へ］をクリックすると、ほかのAWS エンドポイントへの接続オプション追加ができます。Redshift、MySQL などに接続する際にはここで接続を作成できます。
6. ［ジョブの保存とスクリプトの編集］をクリックします。
7. 開いたエディタで、Python スクリプトを記述します。サンプルは以下です。

サンプルGlue スクリプト

CData JDBC driver でSalesforce Data Cloud に接続するには、JDBC URL を作成します。さらにライセンスとしてJDBC URL にRTK プロパティを設定する必要があります。RTK は通常のライセンスと異なりますので、CData まで直接ご連絡をください。

それでは、Salesforce Data Cloud への認証方法を設定していきましょう。Salesforce Data Cloud では、OAuth 標準による認証をサポートしています。

OAuth 認証

AuthScheme をOAuth に設定してください。

デスクトップアプリケーション

CData 製品では、デスクトップでの認証を簡略化する埋め込みOAuth アプリケーションを提供しています。

また、Salesforce Data Cloud コンソールで設定および登録するカスタムOAuth アプリケーションを介してデスクトップから認証することも可能です。詳しくは、ヘルプドキュメントのカスタムOAuth アプリの作成をご確認ください。

接続する前に、以下のプロパティを設定してください。

• InitiateOAuth：GETANDREFRESH。InitiateOAuth を使用すれば、繰り返しOAuth の交換を行ったり、手動でOAuthAccessToken を設定する必要がなくなります
• OAuthClientId（カスタムアプリケーションのみ）：カスタムOAuth アプリケーションの登録時に割り当てられたクライアントID
• OAuthClientSecret（カスタムアプリケーションのみ）：カスタムOAuth アプリケーションの登録時に割り当てられたクライアントシークレット

接続すると、CData 製品がデフォルトブラウザでSalesforce Data Cloud のOAuth エンドポイントを開きます。ログインして、アプリケーションにアクセス許可を与えてください。

以下のようにドライバーがOAuth プロセスを完了します。

• コールバックURL からアクセストークンを取得します
• 古いトークンの期限が切れた際は、新しいアクセストークンを取得します
• OAuthSettingsLocation にOAuth 値を保存し、接続間で永続化します

Web アプリケーションやヘッドレスマシンを含むその他のOAuth 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。

ビルトイン接続文字列デザイナー

JDBC URL の作成をサポートするビルトインの接続文字列デザイナーがあります。ドライバーの.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ーが開きます。

java -jar cdata.jdbc.salesforcedatacloud.jar

必要項目を入力すると、デザインs－下部に接続文字列が生成されますのでクリップボードにコピーして使います。

CData JDBC driver をPySpark で使用して、AWS Glue モジュールでSalesforce Data Cloud のデータを取得して、S3 にCSV 形式で保存するシンプルなスクリプト例は以下です。

import sys
from awsglue.transforms import *
from awsglue.utils import getResolvedOptions
from pyspark.context import SparkContext
from awsglue.context import GlueContext
from awsglue.dynamicframe import DynamicFrame
from awsglue.job import Job

args = getResolvedOptions(sys.argv, ['JOB_NAME'])

sparkContext = SparkContext()
glueContext = GlueContext(sparkContext)
sparkSession = glueContext.spark_session

##Use the CData JDBC driver to readSalesforce Data Cloud のデータfrom the Account table into a DataFrame
##Note the populated JDBC URL and driver class name
source_df = sparkSession.read.format("jdbc").option("url","jdbc:salesforcedatacloud:RTK=5246...;").option("dbtable","Account").option("driver","cdata.jdbc.salesforcedatacloud.SalesforceDataCloudDriver").load()

glueJob = Job(glueContext)
glueJob.init(args['JOB_NAME'], args)

##Convert DataFrames to AWS Glue's DynamicFrames Object
dynamic_dframe = DynamicFrame.fromDF(source_df, glueContext, "dynamic_df")

##Write the DynamicFrame as a file in CSV format to a folder in an S3 bucket.
##It is possible to write to any Amazon data store (SQL Server, Redshift, etc) by using any previously defined connections.
retDatasink4 = glueContext.write_dynamic_frame.from_options(frame = dynamic_dframe, connection_type = "s3", connection_options = {"path": "s3://mybucket/outfiles"}, format = "csv", transformation_ctx = "datasink4")

glueJob.commit()

Glueジョブを実行する

スクリプト記述後、Glue ジョブを実行します。実行した取得/ロードのジョブが完了するとAWS Glue コンソールのジョブページでステータスが確認できます。成功するとS3 バケットにSalesforce Data Cloud のデータのCSV ファイルが生成されています。

このようにCData JDBC Driver for SalesforceDataCloud をAWS Glue で使用することで、Salesforce Data Cloud のデータをAWS Glue で自在に扱うことができます。Glue の外部データへの接続性を拡張するJDBC Driver を是非お試しください。