AWS Glue ジョブからBrowse AI のデータにJDBC 経由で接続

加藤龍彦
加藤龍彦
デジタルマーケティング
Amazon S3 でホストされているCData JDBC ドライバーを使用してAWS Glue ジョブからBrowse AI にデータ連携。

AWS Glue はAmazon のETL サービスであり、簡単にデータプレパレーションを実行してストレージおよび分析用に読み込むことができます。AWS Glue と一緒にPySpark モジュールを使用すると、JDBC 接続経由でデータを処理するジョブを作成し、そのデータをAWS データストアに直接読み込むことができます。ここでは、CData JDBC Driver for API をAmazon S3 バケットにアップロードし、Browse AI からデータを抽出してCSV ファイルとしてS3 に保存するためのAWS Glue ジョブを作成・実行する方法について説明します。

CData JDBC Driver for API をAmazon S3 バケットにアップロード

CData JDBC Driver for API をAWS Glue から使用するには、ドライバーの.jar ファイル（および必要なライセンスファイル）をAmazon S3 のバケットに配置する必要があります。

  1. Amazon S3 コンソールを開きます。
  2. バケットを選択、もしくは作成します。
  3. ［アップロード］をクリックします。
  4. JDBC Driver の.jar ファイル(cdata.jdbc.api.jar) をインストールディレクトリのlib フォルダから選択してアップロードします。

Amazon Glue Job を設定

  1. ［分析］->［AWS Glue］をクリックします。
  2. AWS Glue コンソールで、［ETL］->［ジョブ］をクリックします。
  3. ［ジョブの追加］をクリックして新しいGlue ジョブを作成します。
  4. ジョブのプロパティを設定します:
    • 名前: APIGlueJob など任意のジョブ名
    • IAM ロール: AWSGlueServiceRole もしくは AmazonS3FullAccessSelect の権限があるIAM ロールを設定（JDBC Driver がAmazon S3 バケットにあるため）。
    • Type: ［Spark］を選択。
    • Glue version: ドロップダウンからバージョンを選択。
    • このジョブ実行: ［ユーザーが作成する新しいスクリプト］を選択。
      スクリプトプロパティの設定:
      • スクリプトファイル名: GlueAPIJDBC などのスクリプトファイル名。
      • スクリプトが保存されているS3 パス: S3 バケットを入力もしくは選択。
      • 一時ディレクトリ: S3 バケットを入力もしくは選択
    • ETL 言語: ［Python］を選択
    • セキュリティ設定、スクリプトライブラリおよびジョブパラメータを展開。依存JARS パスは、JDBC の.jar ファイルをアップロードしたS3 バケットに設定。.jar ファイル名 s3://mybucket/cdata.jdbc.api.jar も含めます。
  5. ［次へ］をクリックすると、ほかのAWS エンドポイントへの接続オプション追加ができます。Redshift、MySQL などに接続する際にはここで接続を作成できます。
  6. ［ジョブの保存とスクリプトの編集］をクリックします。
  7. 開いたエディタで、Python スクリプトを記述します。サンプルは以下です。

サンプルGlue スクリプト

CData JDBC driver でBrowse AI に接続するには、JDBC URL を作成します。さらにライセンスとしてJDBC URL にRTK プロパティを設定する必要があります。RTK は通常のライセンスと異なりますので、CData まで直接ご連絡をください。

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

BrowseAI API プロファイル設定

BrowseAI は、ロボットをトレーニングして Web サイトからデータを抽出・監視できる Web スクレイピング・自動化プラットフォームです。認証には API キーを使用し、Authorization ヘッダーで Bearer トークンとして送信されます。

BrowseAI の API キーは {userId}:{apiKey} という形式で、コロンで区切られた2つの UUID で構成されています。BrowseAI ダッシュボードでは、この文字列全体が1つの値として提供されます。

API キーは以下の手順で取得できます。

  1. https://app.browse.ai で BrowseAI アカウントにログインします。
  2. ダッシュボードの「Settings」に移動します。
  3. 「API」セクションを探します。
  4. 表示された API キーの文字列全体をコピーします（形式：userId:apiKey）。

API キーを取得したら、以下の接続プロパティを設定します。

  • AuthScheme：APIKey に設定します。

ProfileSettings 接続プロパティには、以下を設定します。

  • APIKey：BrowseAI の API キーに設定します（形式：userId:apiKey）。

ビルトイン接続文字列デザイナー

JDBC URL の作成をサポートするビルトインの接続文字列デザイナーがあります。ドライバーの.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ーが開きます。


java -jar cdata.jdbc.api.jar

必要項目を入力すると、デザインs－下部に接続文字列が生成されますのでクリップボードにコピーして使います。

Using the built-in connection string designer to generate a JDBC URL (Salesforce is shown.)

CData JDBC driver をPySpark で使用して、AWS Glue モジュールでBrowse AI のデータを取得して、S3 にCSV 形式で保存するシンプルなスクリプト例は以下です。


import sys
from awsglue.transforms import *
from awsglue.utils import getResolvedOptions
from pyspark.context import SparkContext
from awsglue.context import GlueContext
from awsglue.dynamicframe import DynamicFrame
from awsglue.job import Job

args = getResolvedOptions(sys.argv, ['JOB_NAME'])

sparkContext = SparkContext()
glueContext = GlueContext(sparkContext)
sparkSession = glueContext.spark_session

##Use the CData JDBC driver to readBrowse AI のデータfrom the RobotTasks table into a DataFrame
##Note the populated JDBC URL and driver class name
source_df = sparkSession.read.format("jdbc").option("url","jdbc:api:RTK=5246...;Profile=C:\profiles\BrowseAI.apip;AuthScheme=APIKey;ProfileSettings='APIKey=your_user_id:your_api_key';").option("dbtable","RobotTasks").option("driver","cdata.jdbc.api.APIDriver").load()

glueJob = Job(glueContext)
glueJob.init(args['JOB_NAME'], args)

##Convert DataFrames to AWS Glue's DynamicFrames Object
dynamic_dframe = DynamicFrame.fromDF(source_df, glueContext, "dynamic_df")

##Write the DynamicFrame as a file in CSV format to a folder in an S3 bucket.
##It is possible to write to any Amazon data store (SQL Server, Redshift, etc) by using any previously defined connections.
retDatasink4 = glueContext.write_dynamic_frame.from_options(frame = dynamic_dframe, connection_type = "s3", connection_options = {"path": "s3://mybucket/outfiles"}, format = "csv", transformation_ctx = "datasink4")

glueJob.commit()

Glueジョブを実行する

スクリプト記述後、Glue ジョブを実行します。実行した取得/ロードのジョブが完了するとAWS Glue コンソールのジョブページでステータスが確認できます。成功するとS3 バケットにBrowse AI のデータのCSV ファイルが生成されています。

このようにCData JDBC Driver for API をAWS Glue で使用することで、Browse AI のデータをAWS Glue で自在に扱うことができます。Glue の外部データへの接続性を拡張するJDBC Driver を是非お試しください。

はじめる準備はできましたか？

API Driver で Browse AI のライブデータに接続

Browse AI に接続

この記事の内容

関連記事