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

CData JDBC Driver for Gmail をインストール

まずは、本記事右側のサイドバーからGmail 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Gmail データに接続

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

   Gmail に接続する方法は2つあります。ログインクレデンシャルかOAuth のいずれかを選択する前に、まずGmail のアカウント設定でIMAP アクセスを有効にしてください。詳しくは、ヘルプドキュメントの「はじめに」-「Gmail への接続」を参照してください。

   Authentication セクションのUser とPassword プロパティに、有効なGmail ユーザー資格情報を設定します。

   あるいは、Password を指定する代わりに、OAuth 認証標準を使います。 個々のユーザーに代わってGoogle API にアクセスするには、埋め込みクレデンシャルを使用するか、独自のOAuth アプリを登録することができます。

   また、OAuth を利用することで、Google Apps ドメイン内のユーザーに代わってサービスアカウントを使用して接続することができます。サービスアカウントで認証するには、アプリケーションを登録してOAuth JWT 値を取得する必要があります。

   OAuth 値に加え、User を指定する必要があります。詳しくは、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、Gmail 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.gmail.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 gmail_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:gmail:User=username;Password=password;").option("dbtable","Inbox").option("driver","cdata.jdbc.gmail.GmailDriver").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. Gmail をテンポラリーテーブルとして登録します:

   scala> gmail_df.registerTable("inbox")

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> gmail_df.sqlContext.sql("SELECT Subject, Size FROM Inbox WHERE From = [email protected]").collect.foreach(println)

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

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