Databricks（AWS）でADP 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ADP 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ADP 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ADP 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。ADP 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ADP 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ADP 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ADP 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.adp.jar）をアップロードします。

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

ADP 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ADP 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.adp.ADPDriver"
url = "jdbc:adp:RTK=5246...;OAuthClientId=YourClientId;OAuthClientSecret=YourClientSecret;SSLClientCert='c:\cert.pfx';SSLClientCertPassword='admin@123'"

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、ADP 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.adp.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。

ADP 接続プロパティの取得・設定方法

接続を確立する前に、ADP に連絡してOAuth アプリとそれに関連するクレデンシャルを提供してもらう必要があります。 これらのクレデンシャルはADP からのみ取得が可能で、直接取得することはできません。

ADP への接続

次のプロパティを指定してADP に接続します。

• OAuthClientId：ADP より提供されたアプリのクライアントId に設定。
• OAuthClientSecret：ADP より提供されたアプリのクライアントシークレットに設定。
• SSLClientCert：ADP より提供された証明書に設定。
• SSLClientCertPassword：証明書のパスワードに設定。
• UseUAT：CData 製品はデフォルトで、本番環境にリクエストを行います。開発者アカウントを使用している場合は、UseUAT をtrue に設定します。
• RowScanDepth：テーブルで利用可能なカスタムフィールドカラムをスキャンする行数の最大値。デフォルト値は100に設定されています。大きい値を設定すると、パフォーマンスが低下する場合があります。

ADP 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、ADP 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" , "Workers") \
	.load ()

ADP のデータを表示

ロードしたADP 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 ("AssociateOID"))

Databricks でADP 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ADP 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 AssociateOID, WorkerID FROM SAMPLE_VIEW ORDER BY WorkerID DESC LIMIT 5

ADP 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 ADP 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ADP 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。