Databricks（AWS）でCosmos DB 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Cosmos DB 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Cosmos DB 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Cosmos DB 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。Cosmos DB 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Cosmos DB 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Cosmos DB 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Cosmos DB 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.cosmosdb.jar）をアップロードします。

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

Cosmos DB 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Cosmos DB 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.cosmosdb.CosmosDBDriver"
url = "jdbc:cosmosdb:RTK=5246...;AccountEndpoint=myAccountEndpoint;AccountKey=myAccountKey;"

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、Cosmos DB 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.cosmosdb.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。

CosmosDB 接続プロパティの取得・設定方法

SQL API を使ってCosmos DB アカウントに接続するために必要な接続文字列を取得するには、Azure Portal にログインして「Azure Cosmos DB」を選択し、自分のアカウントを選択します。「Settings」セクションで、「Connection String」をクリックして次の値を設定します。

• AccountEndpoint：この値は、Cosmos DB アカウントの「Keys」ブレードからのCosmos DB アカウントURL に設定してください。
• AccountKey：Azure ポータルで、Cosmos DB サービスに移動してAzure Cosmos DB アカウントを選択します。リソースメニューから、 「Keys」ページに移動します。「PRIMARY KEY」値を見つけ、Token をこの値に設定します。

Cosmos DB 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、Cosmos DB 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" , "Customers") \
	.load ()

Cosmos DB のデータを表示

ロードしたCosmos DB 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 ("City"))

Databricks でCosmos DB 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Cosmos DB 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 City, CompanyName FROM SAMPLE_VIEW ORDER BY CompanyName DESC LIMIT 5

Cosmos DB 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 Cosmos DB 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Cosmos DB 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。