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

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

Excel 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Excel 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.excel.ExcelDriver"
url = "jdbc:excel:RTK=5246...;Excel File='C:/MyExcelWorkbooks/SampleWorkbook.xlsx';"

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、Excel 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.excel.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。

Authentication セクションのExcelFile には有効なExcel ファイルを設定する必要があります。

Amazon S3 内のExcel への接続

URI をバケット内のExcel ファイルに設定します。さらに、次のプロパティを設定して認証します。

• AWSAccessKey：AWS アクセスキー（username）に設定。
• AWSSecretKey：AWS シークレットキーに設定。

Box 内のExcel への接続

URI をExcel ファイルへのパスに設定します。Box へ認証するには、OAuth 認証標準を使います。 認証方法については、Box への接続 を参照してください。

Dropbox 内のExcel への接続

URI をExcel ファイルへのパスに設定します。Dropbox へ認証するには、OAuth 認証標準を使います。 認証方法については、Dropbox への接続 を参照してください。ユーザーアカウントまたはサービスアカウントで認証できます。ユーザーアカウントフローでは、以下の接続文字列で示すように、ユーザー資格情報の接続プロパティを設定する必要はありません。

SharePoint Online SOAP 内のExcel への接続

URI をExcel ファイルを含むドキュメントライブラリに設定します。認証するには、User、Password、およびStorageBaseURL を設定します。

SharePoint Online REST 内のExcel への接続

URI をExcel ファイルを含むドキュメントライブラリに設定します。StorageBaseURL は任意です。指定しない場合、ドライバーはルートドライブで動作します。 認証するには、OAuth 認証標準を使用します。

FTP 内のExcel への接続

URI をExcel ファイルへのパスが付いたサーバーのアドレスに設定します。認証するには、User およびPassword を設定します。

Google Drive 内のExcel への接続

デスクトップアプリケーションからのGoogle への認証には、InitiateOAuth をGETANDREFRESH に設定して、接続してください。詳細はドキュメントの「Google Drive への接続」を参照してください。

Excel 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、Excel 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" , "Sheet") \
	.load ()

Excel のデータを表示

ロードしたExcel 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 ("Name"))

Databricks でExcel 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Excel 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 Name, Revenue FROM SAMPLE_VIEW ORDER BY Revenue DESC LIMIT 5

Excel 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 Microsoft Excel 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Excel 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。