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

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

Excel Online 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 Online 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.excelonline.ExcelOnlineDriver"
url = "jdbc:excelonline:RTK=5246...;"

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 Online 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.excelonline.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。

ワークブックに接続するには、Excel Online への認証を提供し、 次のプロパティを設定します。

• Workbook: ワークブックの名前かId に設定。利用可能なワークブックに関する情報のリストを表示する場合は、認証後にWorkbooks ビューに対してクエリを実行します。

• UseSandbox: Sandbox アカウントのワークブックに接続している場合はtrue に設定。それ以外の場合は、これを空のままにしてプロダクションアカウントに接続します。

OAuth 認証を使うこともできます。ユーザー資格情報の接続プロパティを設定せずに接続できます。接続すると、CData 製品はデフォルトブラウザでOAuth エンドポイントを開きます。ログインして、CData 製品にアクセス許可を与えます。CData 製品がOAuth プロセスを完了します。 他のOAuth 認証フローについては、ヘルプドキュメントの「OAuth 認証の使用」を参照してください。

Excel Online 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 Online 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" , "Test_xlsx_Sheet1") \
	.load ()

Excel Online のデータを表示

ロードしたExcel Online 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 ("Id"))

Databricks でExcel Online 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 Online 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 Id, Column1 FROM SAMPLE_VIEW ORDER BY Column1 DESC LIMIT 5

Excel Online 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 Excel Online 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 Online 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。