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

CData JDBC Driver for SparkSQL をインストール

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

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

SparkSQL への接続を確立するには以下を指定します。
- Server：SparkSQL 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：SparkSQL インスタンスへの接続用のポートに設定。
- TransportMode：SparkSQL 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。
Databricks への接続

Databricks クラスターに接続するには、以下の説明に従ってプロパティを設定します。Note：必要な値は、「クラスター」に移動して目的のクラスターを選択し、「Advanced Options」の下にある「JDBC/ODBC」タブを選択することで、Databricks インスタンスで見つけることができます。
- Server：Databricks クラスターのサーバーのホスト名に設定。
- Port：443
- TransportMode：HTTP
- HTTPPath：Databricks クラスターのHTTP パスに設定。
- UseSSL：True
- AuthScheme：PLAIN
- User：'token' に設定。
- Password：パーソナルアクセストークンに設定（値は、Databricks インスタンスの「ユーザー設定」ページに移動して「アクセストークン」タブを選択することで取得できます）。
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、Spark 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.sparksql.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 sparksql_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:sparksql:Server=127.0.0.1;").option("dbtable","Customers").option("driver","cdata.jdbc.sparksql.SparkSQLDriver").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。
Spark をテンポラリーテーブルとして登録します:
```
scala> sparksql_df.registerTable("customers")
```
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> sparksql_df.sqlContext.sql("SELECT City, Balance FROM Customers WHERE Country = US").collect.foreach(println)
```
コンソールで、次のようなSpark のデータを取得できました！これでSpark との連携は完了です。