Apache Spark でApache Airflow のデータをSQL で操作する方法

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

CData JDBC Driver for API をインストール

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

1. ターミナルを開き、Spark shell でCData JDBC Driver for API JAR file をjars パラメータに設定します:

   
   $ spark-shell --jars /CData/CData JDBC Driver for API/lib/cdata.jdbc.api.jar
   

2. Shell でJDBC URL を使ってApache Airflow に接続し、SQL Context load() function でテーブルを読み込みます。

   まず、Profile 接続プロパティをディスク上の ApacheAirflow プロファイルの場所に設定します（例：C:\profiles\ApacheAirflow.apip）。次に、ProfileSettings 接続プロパティを ApacheAirflow の接続文字列に設定します（以下を参照）。

   ApacheAirflow API プロファイル設定

   Apache Airflow 3 では、API 認証に JWT Bearer トークンを使用します。トークンは、Airflow Web UI の「Settings」から生成するか、Airflow CLI の airflow users create と /api/v2/auth/token エンドポイントを使って生成できます。なお、このプロファイルは /api/v2 REST API を使用する Apache Airflow 3.x を対象としています。Airflow 2.x で使われていた従来の /api/v1 エンドポイントには対応していません。

   以下の接続プロパティを設定すると、接続できるようになります。

   • AuthScheme：APIKey に設定します。
   • APIKey：Apache Airflow の JWT Bearer トークンに設定します。
   • Server：Airflow インスタンスのベース URL に設定します（例：http://localhost:8080）。

   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、Apache Airflow 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.api.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 api_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:api:Profile=C:\profiles\ApacheAirflow.apip;AuthScheme=APIKey;ProfileSettings='APIKey=your_jwt_token;Server=http://localhost:8080';").option("dbtable","DagRuns").option("driver","cdata.jdbc.api.APIDriver").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. Apache Airflow をテンポラリーテーブルとして登録します:

   scala> api_df.registerTable("dagruns")

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> api_df.sqlContext.sql("SELECT DagRunId, State FROM DagRuns WHERE DagId = example_dag").collect.foreach(println)

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

   

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

Apache Spark の設定