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

CData JDBC Driver for ExcelOnline をインストール

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

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

   ワークブックに接続するには、Excel Online への認証を提供し、 次のプロパティを設定します。

   • Workbook: ワークブックの名前かId に設定。利用可能なワークブックに関する情報のリストを表示する場合は、認証後にWorkbooks ビューに対してクエリを実行します。

   • UseSandbox: Sandbox アカウントのワークブックに接続している場合はtrue に設定。それ以外の場合は、これを空のままにしてプロダクションアカウントに接続します。

   OAuth 認証を使うこともできます。ユーザー資格情報の接続プロパティを設定せずに接続できます。接続すると、CData 製品はデフォルトブラウザでOAuth エンドポイントを開きます。ログインして、CData 製品にアクセス許可を与えます。CData 製品がOAuth プロセスを完了します。 他のOAuth 認証フローについては、ヘルプドキュメントの「OAuth 認証の使用」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、Excel Online 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.excelonline.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 excelonline_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:excelonline:").option("dbtable","Test_xlsx_Sheet1").option("driver","cdata.jdbc.excelonline.ExcelOnlineDriver").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. Excel Online をテンポラリーテーブルとして登録します:

   scala> excelonline_df.registerTable("test_xlsx_sheet1")

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> excelonline_df.sqlContext.sql("SELECT Id, Column1 FROM Test_xlsx_Sheet1 WHERE Column2 = Bob").collect.foreach(println)

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

CData JDBC Driver for ExcelOnline をApache Spark で使って、Excel Online 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。