Apache Spark でAmazon S3 データをSQL で操作する方法

こんにちは！リードエンジニアの杉本です。

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 AmazonS3 と組み合わせると、Spark はリアルタイムでAmazon S3 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Amazon S3 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Amazon S3 と対話するための高いパフォーマンスを提供します。Amazon S3 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Amazon S3 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Amazon S3 を操作して分析できます。

CData JDBC Driver for AmazonS3 をインストール

まずは、本記事右側のサイドバーからAmazonS3 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Amazon S3 データに接続

1. ターミナルを開き、Spark shell でCData JDBC Driver for AmazonS3 JAR file をjars パラメータに設定します: $ spark-shell --jars /CData/CData JDBC Driver for AmazonS3/lib/cdata.jdbc.amazons3.jar
2. Shell でJDBC URL を使ってAmazon S3 に接続し、SQL Context load() function でテーブルを読み込みます。

   Amazon S3 リクエストを認可するには、管理者アカウントまたはカスタム権限を持つIAM ユーザーの認証情報を入力します。AccessKey をアクセスキーID に設定します。SecretKey をシークレットアクセスキーに設定します。

   Note: AWS アカウント管理者として接続できますが、AWS サービスにアクセスするにはIAM ユーザー認証情報を使用することをお勧めします。

   尚、CData 製品はAmazon S3 のファイルの一覧表示やユーザー管理情報の取得用です。S3 に保管されているExcel、CSV、JSON などのファイル内のデータを読み込みたい場合には、Excel Driver、CSV Driver、JSON Driver をご利用ください。

   アクセスキーの取得

   IAM ユーザーの資格情報を取得するには：

   1. IAM コンソールにサインインします。
   2. ナビゲーションペインで「ユーザー」を選択します。
   3. ユーザーのアクセスキーを作成または管理するには、ユーザーを選択してから「セキュリティ認証情報」タブを選択します。

   AWS ルートアカウントの資格情報を取得するには：

   1. ルートアカウントの資格情報を使用してAWS 管理コンソールにサインインします。
   2. アカウント名または番号を選択し、表示されたメニューで「My Security Credentials」を選択します。
   3. 「Continue to Security Credentials」をクリックし、「Access Keys」セクションを展開して、ルートアカウントのアクセスキーを管理または作成します。

   AWS ロールとして認証

   多くの場合、認証にはAWS ルートユーザーのダイレクトなセキュリティ認証情報ではなく、IAM ロールを使用することをお勧めします。RoleARN を指定することでAWS ロールを代わりに使用できます。これにより、CData 製品は指定されたロールの資格情報を取得しようと試みます。

   （すでにEC2 インスタンスなどで接続されているのではなく）AWS に接続している場合は、ロールを引き受けるIAM ユーザーのAccessKey とSecretKey を追加で指定する必要があります。AWS ルートユーザーのAccessKey および SecretKey を指定する場合、ロールは使用できません。

   SSO 認証

   SSO 認証を必要とするユーザーおよびロールには、RoleARN およびPrincipalArn 接続プロパティを指定してください。各Identity Provider に固有のSSOProperties を指定し、AccessKey とSecretKey を空のままにする必要があります。これにより、CData 製品は一時的な認証資格情報を取得するために、リクエストでSSO 認証情報を送信します。

   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、Amazon S3 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.amazons3.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 amazons3_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:amazons3:AccessKey=a123;SecretKey=s123;").option("dbtable","ObjectsACL").option("driver","cdata.jdbc.amazons3.AmazonS3Driver").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. Amazon S3 をテンポラリーテーブルとして登録します:

   scala> amazons3_df.registerTable("objectsacl")

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> amazons3_df.sqlContext.sql("SELECT Name, OwnerId FROM ObjectsACL WHERE Name = TestBucket").collect.foreach(println)

   コンソールで、次のようなAmazon S3 データを取得できました！これでAmazon S3 との連携は完了です。

CData JDBC Driver for AmazonS3 をApache Spark で使って、Amazon S3 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。