Google Data Catalog データをDatabricks にロードして分析処理を行う方法：CData JDBC Driver

こんにちは！リードエンジニアの杉本です。

Databricks https://databricks.com/はオープンソースの ビッグデータ処理基盤である Apache Spark をクラウドベースで提供しているサービスです。

通常Databricks では、Azure Blob Storage や Data Lakeに存在しているCSV、JSON、Parquetなどのバイナリベースの構造データ、ないしSQL ServerやCosmos DBといったRDB・NoSQLサービスからデータを取り込んで、分析するというアプローチが多いかと思います。 しかしながら、今や分析対象となるデータソースはそういったバイナリデータやRDB・NoSQLのdataにとどまらず、SalesforceやDynamics 365といったクラウドサービス上にも数多く存在しています。そこで CData JDBC Driverを活用することにより、Databricks から シームレスにクラウドサービスのデータソースをロード、分析できるようになります。
この記事では、クラウドサービスのビッグデータ処理サービスである Databricks で CData JDBC Driverを利用してGoogle Data Catalog データを扱う方法を紹介します。

Databricks に JDBC Driver for GoogleDataCatalogをインストールする

• Databricks の管理画面に移動し、対象のクラスターを選択します。
• 「Libraries」タブから「Install New」をクリックします。ここから接続に必要なJDBC jarファイルをアップロードします。
• CData JDBC ドライバのインストールディレクトリ（デフォルト：C:\Program Files\CData\CData JDBC Driver for GoogleDataCatalog 2019J\lib）に配置されている「cdata.jdbc.googledatacatalog.jar」ファイルをドラッグ・アンド・ドロップして、対象のクラスターにインストールします。

これでドライバーの配置などの準備は完了です。

Notebook で Google Data Catalog データ データにアクセスする：Python

• それでは Notebook を立ち上げて、Google Data Catalog データ データにアクセスしましょう。 今回は Python を使いますが、Scalaでも同様に実行可能です。
• LangauageはPythonを選択し、先程JDBCをインストールしたクラスターを選択します。
• Notebook が立ち上がったら、以下のコードをそれぞれ実行していきます。
• 最初に接続情報を定義します。 URLはGoogle Data Catalog データ のログイン情報とセキュリティトークンを指定します。CData JDBC Driver用の特殊ライセンスをRTKとして指定します。RTK の入手方法については、CData サポートまでご連絡ください。
# Step 1: Connection Information driver = "cdata.jdbc.googledatacatalog.GoogleDataCatalogDriver" url = "jdbc:googledatacatalog:ProjectId=YourProjectId;InitiateOAuth=GETANDREFRESH" table = "Schemas"
• 次に先程の接続情報をもとに、CData JDBC Driver経由でGoogle Data Catalog データ のデータをデータフレームとして読み込みます。
# Step 2: Reading the data remote_table = spark.read.format("jdbc")\ .option("driver", driver)\ .option("url", url)\ .option("dbtable", table)\ .load()
• 読み込んだ結果は以下のコマンドで確認できます。これでDatabricks上でGoogle Data Catalog データ のデータを扱えるようになりました。
# Step 3: Querying the data display(remote_table.select("name"))
• Databricks の SparkSQLでデータを処理したい場合は、Temp Viewとして登録します。
# Step 4: (Optional) Create a view or table remote_table.createOrReplaceTempView("SAMPLE_VIEW")
• 以下のように SparkSQLでデータを取得し、分析することができます。
%sql SELECT Name,AnnualRevenue FROM SAMPLE_VIEW Order by AnnualRevenue desc limit 5

なお、データフレームは対象のNotebook内だけのデータなので、他のユーザーと一緒に利用する場合はテーブルとして保存しておきましょう。

このようにCData JDBC ドライバをアップロードすることで、簡単にDatabricks でGoogle Data Catalog データ データをノーコードで連携し、分析に使うことが可能です。

是非、CData JDBC Driver for GoogleDataCatalog 30日の無償評価版 をダウンロードして、お試しください。