Cloud SQL へのAzure Data Catalog データのETL / ELT パイプラインを作ってデータを統合する方法

こんにちは！プロダクトスペシャリストの宮本です。

Cloud SQL はGoogle Cloud が提供するフルマネージドのRDB サービスです。CData Sync なら、Cloud SQL インスタンスにリアルタイムAzure Data Catalog データを反復同期できます。企業のあらゆるデータを一か所に統合して管理することが可能になり、アーカイブ、レポーティング、アナリティクス、機械学習、AI などでデータを活用できます。

1.データソースとしてAzure Data Catalog の接続を設定

まずはじめに、CData Sync のブラウザ管理コンソールにログインします。CData Sync のインストールをまだ行っていない方は本記事の製品リンクからCData Sync をクリックして、30日の無償トライアルとしてCData Sync をインストールしてください。インストール後にCData Sync が起動して、ブラウザ設定画面が開きます。

それでは、データソース側にAzure Data Catalog を設定していきましょう。左の［接続］タブをクリックします。

1. ［＋接続の追加］ボタンをクリックします。
2. ［データソース］タブを選択して、リスト表示されるデータソースを選ぶか、検索バーにデータソース名を入力して、Azure Data Catalog を見つけます。
3. Azure Data Catalog の右側の［→］をクリックして、Azure Data Catalog アカウントへの接続画面を開きます。もし、Azure Data Catalog のコネクタがデフォルトでCData Sync にインストールされていない場合には、ダウンロードアイコン（コネクタのアップロードアイコン）をクリックし、［ダウンロード］をクリックすると、CData Sync にコネクタがインストールされます。
4. 接続プロパティにAzure Data Catalog に接続するアカウント情報を入力をします。
   

   Azure Data Catalog 接続プロパティの取得・設定方法

   OAuth 認証で接続

   Azure Data Catalog の認証にはOAuth を使用します。CData 製品では組込みOAuth が利用できるので、接続プロパティを設定することなく接続を試行するだけで、ブラウザ経由でAAS に認証できます。詳しい設定方法については、ヘルプドキュメントの「Azure Data Catalog への認証」セクションを参照してください。

   設定は任意ですが、CatalogName プロパティを設定することでAzure Data Catalog から返されるカタログデータを明示的に指定できます。

   CatalogName：Azure Data Catalog に紐づいているカタログ名に設定。空のままにすると、デフォルトのカタログが使用されます。カタログ名は、「Azure Portal」->「データカタログ」->「カタログ名」から取得できます。

5. ［作成およびテスト］をクリックして、正しくAzure Data Catalog に接続できているかをテストして保存します。これでレプリケーションのデータソースとしてAzure Data Catalog への接続が設定されました。

Cloud SQL をレプリケーションの同期先に設定

それでは、CData Sync を使ってCloud SQL にAzure Data Catalog データをレプリケーションするための設定を行っていきましょう。レプリケーションの同期先を追加するには、［接続］タブを開きます。次に、使用するCloud SQL サービス（MySQL、PostgreSQL、またはSQL Server）に応じて、適切な保存先を選択します。

MySQL

1. ［接続を追加］をクリックします。
2. MySQL を同期先として選択します。
3. 必要な接続プロパティを入力します。MySQL に接続するには、以下を設定します。
   • Server：接続するサーバーのIP アドレス、もしくはドメイン名。
   • Port：サーバーが稼働するポート。
   • User：データベースへの読み取り / 書き込みのアクセス権を持つユーザーのユーザー名。
   • Password：データベースへの読み取り / 書き込みのアクセス権を持つユーザーのパスワード。
   • Database：データベース名。
4. ［作成およびテスト］をクリックして、正しく接続できているかをテストします。
5. ［変更を保存］をクリックします。

PostgreSQL

1. ［接続を追加］をクリックします。
2. PostgreSQL を同期先として選択します。
3. 必要な接続プロパティを入力します。PostgreSQL に接続するには、次の接続プロパティを設定します。
   • Server：PostgreSQL データベースをホストしているサーバーのアドレス。
   • Port：PostgreSQL データベースをホスティングしているサーバーに接続する際のポート。
   • User：PostgreSQL データベースへの認証のためのユーザーID。
   • Password：PostgreSQL データベースへの認証のためのパスワード。
   • Database：データベース名。
4. ［作成およびテスト］をクリックして、正しく接続できているかをテストします。
5. ［変更を保存］をクリックします。

SQL Server

1. ［接続を追加］をクリックします。
2. SQL Server を同期先として選択します。
3. 必要な接続プロパティを入力します。SQL Server に接続するには、以下を設定します。
   • Server：SQL Server を起動しているコンピューターのネットワークアドレス名。
   • User：forms 認証を使う場合に、SQL Server との認証に使われるユーザー名。
   • Password：forms 認証を使う場合に、SQL Server との認証に使われるパスワード。
   • Database：SQL Server データベース名。

   Java 版

   Java 版では、Microsoft SQL Server JDBC Driver が必要です。Microsoft ダウンロードセンターからダウンロードできます。JDBC ドライバーをJava Web サーバーのlib フォルダにコピーして接続します。

4. ［作成およびテスト］をクリックして、正しく接続できているかをテストします。
5. これで同期先としてCloud SQL を設定できました。CData Sync では、Cloud SQL のデータベース名を指定するだけで、同期するAzure Data Catalog に併せたテーブルスキーマを自動的にCREATE TABLE してくれます。同期データに合わせたテーブルを事前に作成するなどの面倒な手順は必要ありません。もちろん、既存テーブルにマッピングを行いデータ同期を行うことも可能です。

3.Azure Data Catalog からCloud SQL へのレプリケーションジョブの作成

CData Sync では、レプリケーションをジョブ単位で設定します。ジョブは、Azure Data Catalog からCloud SQL という単位で設定し、複数のテーブルを含むことができます。レプリケーションジョブ設定には、［ジョブ］タブに進み、［＋ジョブを追加］ボタンをクリックします。

［ジョブを追加］画面が開き、以下を入力します：

1. 名前：ジョブの名前
2. データソース：ドロップダウンリストから先に設定したAzure Data Catalog を選択
3. 同期先：先に設定したCloud SQL を選択

すべてのオブジェクトをレプリケーションする場合

Azure Data Catalog のすべてのオブジェクト / テーブルをレプリケーションするには、［種類］セクションで［すべて同期］を選択して、［タスクを追加］ボタンで確定します。

作成したジョブ画面で、右上の［▷実行］ボタンをクリックするだけで、全Azure Data Catalog テーブルのCloud SQL への同期を行うことができます。

オブジェクトを選択してレプリケーションする場合

Azure Data Catalog から特定のオブジェクト / テーブルを選択してレプリケーションを行うことが可能です。［種類］セクションでは、［標準（個別設定）］を選んでください。

次に［ジョブ］画面で、［タスク］タブをクリックし、［タスクを追加］ボタンをクリックします。

するとCData Sync で利用可能なオブジェクト / テーブルのリストが表示されるので、レプリケーションを行うオブジェクトにチェックを付けます（複数選択可）。［タスクを追加］ボタンで確定します。

作成したジョブ画面で、［▷実行］ボタンをクリックして（もしくは各タスク毎の実行ボタンを押して）、レプリケーションジョブを実行します。

このようにとても簡単にAzure Data Catalog からCloud SQL への同期を行うことができました。

CData Sync の主要な機能を試してみる：スケジューリング・差分更新・ETL

ジョブのスケジュール起動設定

CData Sync では、同期ジョブを1日に1回や15分に1回などのスケジュール起動をすることができます。ジョブ画面の［概要］タブから［スケジュール］パネルを選び、［⚙設定］ボタンをクリックします。［間隔］と同期時間の［毎時何分］を設定し、［保存］を押して設定を完了します。これでCData Sync が同期ジョブをスケジュール実行してくれます。ユーザーはダッシュボードで同期ジョブの状態をチェックするだけです。

差分更新

CData Sync では、主要なデータソースでは、差分更新が可能です。差分更新では、最後のジョブ実行時からデータソース側でデータの追加・変更があったデータだけを同期するので、レプリケーションのクエリ・通信のコストを圧倒的に抑えることが可能です。

差分更新を有効化するには、ジョブの［概要］タブから「差分更新」パネルを選び、［⚙設定］ボタンをクリックします。［開始日］と［レプリケーション間隔］を設定して、［保存］します。

SQL での取得データのカスタマイズ

CData Sync は、デフォルトではAzure Data Catalog のオブジェクト / テーブルをそのままCloud SQL に複製しますが、ここにSQL、またはdbt 連携でのETL 処理を組み込むことができます。テーブルカラムが多すぎる場合や、データ管理の観点から一部のカラムだけをレプリケーションしたり、さらにデータの絞り込み（フィルタリング）をしたデータだけをレプリケーションすることが可能です。

ジョブの［概要］タブ、［タスク］タブへと進みます。選択されたタスク（テーブル）の［▶］の左側のメニューをクリックし、［編集］を選びます。タスクの編集画面が開きます。

UI からカラムを選択する場合には、［カラム］タブから［マッピング編集］をクリックします。レプリケーションで使用しないカラムからチェックを外します。

SQL を記述して、フィルタリングなどのカスタマイズを行うには、［クエリ］タブをクリックし、REPLICATE ［テーブル名］の後に標準SQL でフィルタリングを行います。

Azure Data Catalog からCloud SQL へのデータ同期には、ぜひCData Sync をご利用ください

このようにノーコードで簡単にAzure Data Catalog データをCloud SQL にレプリケーションできます。データ分析、AI やノーコードツールからのデータ利用などさまざまな用途でCData Sync をご利用いただけます。30日の無償トライアルで、シンプルでパワフルなデータパイプラインを体感してください。

日本のユーザー向けにCData Sync は、UI の日本語化、ドキュメントの日本語化、日本語でのテクニカルサポートを提供しています。

CData Sync の 導入事例を併せてご覧ください。