Databricks（AWS）でActive Directory 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Active Directory 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Active Directory 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Active Directory 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。Active Directory 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Active Directory 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Active Directory 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Active Directory 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.activedirectory.jar）をアップロードします。

ノートブックでActive Directory 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Active Directory 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、Active Directory をクエリして、基本的なレポートを作成できます。

Active Directory 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Active Directory 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.activedirectory.ActiveDirectoryDriver"
url = "jdbc:activedirectory:RTK=5246...;User=cn=Bob F,ou=Employees,dc=Domain;Password=bob123;Server=10.0.1.2;Port=389;"

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、Active Directory 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.activedirectory.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。

ActiveDirectory 接続プロパティの取得・設定方法

接続には以下の情報が必要です。

• 有効なユーザーおよびパスワード情報 (例：Domain\BobF or cn=Bob F,ou=Employees,dc=Domain)。
• 接続するサーバーのIP、ホスト名、ポートを含むサーバー情報。

• BaseDN: 指定されたname にLDAP 検索の範囲を制限します。

  ちなみに、BaseDN を狭い範囲に設定することで大幅にパフォーマンスを改善できます。例えば、cn=users,dc=domain は、cn=users およびその子の範囲に戻り値の結果を制限します。

Active Directory 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、Active Directory 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" , "User") \
	.load ()

Active Directory のデータを表示

ロードしたActive Directory 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 ("Id"))

Databricks でActive Directory 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Active Directory 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 Id, LogonCount FROM SAMPLE_VIEW ORDER BY LogonCount DESC LIMIT 5

Active Directory 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 Active Directory 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Active Directory 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。