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

CData JDBC Driver for GoogleDataCatalog をインストール

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

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

   Google Data Catalog 接続プロパティの取得・設定方法

   認証プロパティを追加する前に、次の接続プロパティを設定してください。

   • OrganizationId：接続するGoogle Cloud Platform の組織リソースに関連付けられたID。これはGCP コンソールに移動して確認してください。 「プロジェクト」ドロップダウンメニューを開き、リストから組織へのリンクをクリックします。このページから組織ID を取得できます。
   • ProjectId：接続するGCP のプロジェクトリソースに関連付けられたID。GCP コンソールのダッシュボードに移動し、「プロジェクトを選択」のメニューからお好みのプロジェクトを選択して確認してください。プロジェクトID は、「プロジェクト情報」項目に表示されます。

   Google Data Catalog への認証

   CData 製品は、認証にユーザーアカウント、サービスアカウント、およびGCP インスタンスアカウントの使用をサポートします。

   OAuth の設定方法については、ヘルプドキュメントの「OAuth」セクション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、Google Data Catalog 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.googledatacatalog.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 googledatacatalog_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:googledatacatalog:ProjectId=YourProjectId;").option("dbtable","Schemas").option("driver","cdata.jdbc.googledatacatalog.GoogleDataCatalogDriver").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. Google Data Catalog をテンポラリーテーブルとして登録します:

   scala> googledatacatalog_df.registerTable("schemas")

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> googledatacatalog_df.sqlContext.sql("SELECT Type, DatasetName FROM Schemas WHERE ProjectId = bigquery-public-data").collect.foreach(println)

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

CData JDBC Driver for GoogleDataCatalog をApache Spark で使って、Google Data Catalog 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。