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

CData JDBC Driver for GoogleBigQuery をインストール

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

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

   BigQuery 接続プロパティの取得・設定方法

   Google BigQuery はOAuth 認証標準を使用します。個々のユーザーとしてGoogle API にアクセスするには、組み込みクレデンシャルを使うか、OAuth アプリを作成します。

   OAuth では、Google Apps ドメインのユーザーとしてサービスアカウントを使ってアクセスすることもできます。サービスカウントでの認証では、OAuth JWT を取得するためのアプリケーションを登録する必要があります。

   OAuth 値に加え、DatasetId、ProjectId を設定する必要があります。詳細はヘルプドキュメントの「はじめに」を参照してください。

   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、BigQuery 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.googlebigquery.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 googlebigquery_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:googlebigquery:DataSetId=MyDataSetId;ProjectId=MyProjectId;").option("dbtable","Orders").option("driver","cdata.jdbc.googlebigquery.GoogleBigQueryDriver").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. BigQuery をテンポラリーテーブルとして登録します:

   scala> googlebigquery_df.registerTable("orders")

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> googlebigquery_df.sqlContext.sql("SELECT OrderName, Freight FROM Orders WHERE ShipCity = New York").collect.foreach(println)

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

CData JDBC Driver for GoogleBigQuery をApache Spark で使って、BigQuery 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。