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

CData JDBC Driver for TaxJar をインストール

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

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

   TaxJar API への認証には、まず初めにTaxJar UI からAPI キーを取得する必要があります。

   NOTE：API の利用は、Professional およびPremium TaxJar プランでのみ可能です。

   すでにProfessional またはPremium プランをお持ちの方は、TaxJar UI にログインして、「アカウント」->「TaxJar API」に移動するとAPI キーを確認することができます。 API キーを取得したら、APIKey 接続プロパティに設定できます。

   その他の注意事項

   • デフォルトでは、エンティティが日付範囲フィルタをサポートしている場合、CData コネクタは過去3か月のデータを取得します。StartDate を設定して、取得するデータの最小作成日を指定することができます。
   • API キーがサンドボックスAPI アカウント用に作成されている場合は、UseSandbox をtrue に設定してください。ただし、すべてのエンドポイントが期待どおりに機能するとは限りません。詳しくは、TaxJar 開発者用ドキュメント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、TaxJar 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.taxjar.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 taxjar_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:taxjar:APIKey=3bb04218ef8t80efdf1739abf7257144;").option("dbtable","Orders").option("driver","cdata.jdbc.taxjar.TaxJarDriver").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. TaxJar をテンポラリーテーブルとして登録します:

   scala> taxjar_df.registerTable("orders")

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> taxjar_df.sqlContext.sql("SELECT TransactionID, UserID FROM Orders WHERE TransactionID = 123").collect.foreach(println)

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

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