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

CData JDBC Driver for MongoDB をインストール

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

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

   MongoDB への接続には、Server、Database、User、Password プロパティを設定します。MongoDB コレクションにテーブルとしてアクセスするには、自動スキーマ検出を使用することができます。もちろんスキーマ定義の.rsd ファイルを編集して自分でスキーマ定義を書くことも可能です。スキーマに縛られないフリーフォーマットクエリを投げることもできます。

   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、MongoDB 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.mongodb.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 mongodb_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:mongodb:Server=MyServer;Port=27017;Database=test;User=test;Password=Password;").option("dbtable","restaurants").option("driver","cdata.jdbc.mongodb.MongoDBDriver").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. MongoDB をテンポラリーテーブルとして登録します:

   scala> mongodb_df.registerTable("restaurants")

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> mongodb_df.sqlContext.sql("SELECT borough, cuisine FROM restaurants WHERE Name = Morris Park Bake Shop").collect.foreach(println)

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

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