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

CData JDBC Driver for Facebook をインストール

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

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

   Facebook はユーザー認証にOAuth 標準を使用しています。 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Facebook 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、Facebook 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.facebook.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 facebook_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:facebook:").option("dbtable","Posts").option("driver","cdata.jdbc.facebook.FacebookDriver").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. Facebook をテンポラリーテーブルとして登録します:

   scala> facebook_df.registerTable("posts")

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> facebook_df.sqlContext.sql("SELECT FromName, LikesCount FROM Posts WHERE Target = thesimpsons").collect.foreach(println)

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

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