Databricks（AWS）でAccess のデータを処理・分析

Databricks は、Apache Spark を通じたデータ処理機能を提供するクラウドベースのサービスです。CData JDBC Driver と組み合わせることで、Databricks を使用してリアルタイムAccess のデータに対してデータエンジニアリングとデータサイエンスを実行できます。この記事では、AWS でCData JDBC Driver をホストし、Databricks でリアルタイムAccess のデータに接続して処理する方法を説明します。

最適化されたデータ処理が組み込まれたCData JDBC Driver は、リアルタイムAccess のデータを扱う上で比類のないパフォーマンスを提供します。Access 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のサポートされているSQL 操作をAccess に直接プッシュし、サポートされていない操作（主にSQL 関数やJOIN 操作）は組み込みSQL エンジンを利用して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ってAccess のデータを操作・分析できます。

CData JDBC Driver をDatabricks にインストール

Databricks でリアルタイムAccess のデータを操作するには、Databricks クラスターにドライバーをインストールします。

1. Databricks の管理画面に移動し、対象のクラスターを選択します。
2. Libraries タブで「Install New」をクリックします。
3. Library Source として「Upload」を選択し、Library Type として「Jar」を選択します。
4. インストール場所（通常はC:\Program Files\CData[product_name]\lib）からJDBC JAR ファイル（cdata.jdbc.access.jar）をアップロードします。

ノートブックでAccess のデータにアクセス：Python

JAR ファイルをインストールしたら、Databricks でリアルタイムAccess のデータを操作する準備が整いました。ワークスペースに新しいノートブックを作成します。ノートブックに名前を付け、言語としてPython を選択し（Scala も利用可能）、JDBC ドライバーをインストールしたクラスターを選択します。ノートブックが起動したら、接続を設定し、Access をクエリして、基本的なレポートを作成できます。

Access への接続を設定

JDBC Driver クラスを参照し、JDBC URL で使用する接続文字列を構築してAccess に接続します。また、JDBC URL でRTK プロパティを設定する必要があります（Beta ドライバーを使用している場合を除く）。このプロパティの設定方法については、インストールに含まれるライセンスファイルを参照してください。

ステップ1：接続情報

driver = "cdata.jdbc.access.AccessDriver"
url = "jdbc:access:RTK=5246...;DataSource=C:/MyDB.accdb;"

組み込みの接続文字列デザイナー

JDBC URL の作成をサポートするために、Access JDBC Driver に組み込まれている接続文字列デザイナーが使用できます。JAR ファイルをダブルクリックするか、コマンドラインからJAR ファイルを実行します。

java -jar cdata.jdbc.access.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。

Access接続の設定方法

ローカルファイルへの接続設定

ローカル環境からAccess への接続は非常にシンプルです。ConnectionType をLocal に設定することで、CRUD 操作（SELECT、INSERT、UPDATE、DELETE）をすべて実行できます。接続にはDataSource プロパティに以下のようなAcces sデータベースファイルのフルパスを指定します。

C:\Users\Public\Documents\MyDatabase.accdb

詳細な接続手順については、ヘルプドキュメントの「はじめに」セクションをご参照ください。

クラウドストレージ上のAccess ファイルへの接続設定

各種クラウドストレージに保存されているAccess ファイルへのアクセスにも対応しています。ただし、クラウド上のファイルに対するデータ操作は、INSERT、UPDATE、DELETE に制限されますのでご注意ください。

S3、Google Driver、OneDrive など、各種クラウドストレージ内のAccess ファイルへの接続方法はこちらの記事をご確認ください。

クラウド上のファイルを更新したい場合は、以下の手順で実施いただけます。

1. 対応するCData ドライバーを利用し、クラウドサービスからAccess ファイルをダウンロード
2. Access ドライバーを使用して、ローカル環境でファイルを編集
3. クラウドサービス用ドライバーのストアドプロシージャを使用して、更新ファイルをアップロード

具体例として、SharePoint 上のファイルを更新する場合の手順をご紹介します。

1. CData SharePoint ドライバーのDownloadDocument プロシージャを使用してファイルを取得
2. CData Access ドライバーでファイルの更新を実施
3. SharePoint ドライバーのUploadDocument プロシージャで更新内容を反映

DataSource 接続プロパティの設定について補足いたします。接続先のクラウドストレージを識別するための一意の接頭辞を指定し、続けて目的のファイルパスまたはフォルダパスを記述します。フォルダを指定した場合は1ファイルが1テーブルとして、単一ファイルの場合は単一テーブルとして扱われます。

Access のデータをロード

接続を設定したら、CData JDBC Driver と接続情報を使用して、Access のデータをDataFrame としてロードできます。

ステップ2：データの読み取り

remote_table = spark.read.format ( "jdbc" ) \
	.option ( "driver" , driver) \
	.option ( "url" , url) \
	.option ( "dbtable" , "Orders") \
	.load ()

Access のデータを表示

ロードしたAccess のデータをdisplay 関数を呼び出して確認します。

ステップ3：結果の確認

display (remote_table.select ("OrderName"))

Databricks でAccess のデータを分析

Databricks SparkSQL でデータを処理するには、ロードしたデータをTemp View として登録します。

ステップ4：ビューまたはテーブルを作成

remote_table.createOrReplaceTempView ( "SAMPLE_VIEW" )

Temp View を作成したら、SparkSQL を使用してAccess のデータをレポート、ビジュアライゼーション、分析用に取得できます。

% sql

SELECT OrderName, Freight FROM SAMPLE_VIEW ORDER BY Freight DESC LIMIT 5

Access からのデータは、対象のノートブックでのみ利用可能です。他のユーザーと共有したい場合は、テーブルとして保存します。

remote_table.write.format ( "parquet" ) .saveAsTable ( "SAMPLE_TABLE" )

CData JDBC Driver for Access の30日間無償トライアルをダウンロードして、Databricks でリアルタイムAccess のデータの操作をはじめましょう。ご不明な点があれば、サポートチームにお問い合わせください。