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

CData JDBC Driver for Cloudant をインストール

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

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

   Cloudant 接続プロパティの取得・設定方法

   Cloudant への接続には、以下の接続プロパティを設定します。

   • User：ユーザー名に設定。
   • Password：パスワードに設定。

   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、Cloudant 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.cloudant.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 cloudant_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:cloudant:User=abc123; Password=abcdef;").option("dbtable","Movies").option("driver","cdata.jdbc.cloudant.CloudantDriver").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. Cloudant をテンポラリーテーブルとして登録します:

   scala> cloudant_df.registerTable("movies")

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> cloudant_df.sqlContext.sql("SELECT MovieRuntime, MovieRating FROM Movies WHERE MovieRating = R").collect.foreach(println)

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

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