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

CData JDBC Driver for Teradata をインストール

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

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

   Teradata に接続するには、次の認証情報を提供し、データベースサーバー名を指定します。

   • User: Teradata ユーザーのユーザー名に設定。
   • Password: Teradata ユーザーのパスワードに設定。
   • DataSource: Teradata サーバー名、DBC 名、またはTDPID を指定。
   • Port: サーバーが実行されているポートを指定。
   • Database: データベース名を指定。指定されない場合は、CData 製品はデフォルトデータベースに接続されます。

   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、Teradata 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.teradata.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 teradata_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:teradata:User=myuser;Password=mypassword;Server=localhost;Database=mydatabase;").option("dbtable","NorthwindProducts").option("driver","cdata.jdbc.teradata.TeradataDriver").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. Teradata をテンポラリーテーブルとして登録します:

   scala> teradata_df.registerTable("northwindproducts")

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> teradata_df.sqlContext.sql("SELECT ProductId, ProductName FROM NorthwindProducts WHERE CategoryId = 5").collect.foreach(println)

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

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