Apache Spark でGitLab 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GitLab 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GitLab 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GitLab と対話するための高いパフォーマンスを提供します。GitLab 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GitLab 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GitLab 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GitLab のデータに接続
- 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
- Shell でJDBC URL を使ってGitLab 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 GitLab プロファイルの場所に設定します（例：C:\profiles\GitLab.apip）。次に、ProfileSettings 接続プロパティを GitLab の接続文字列に設定します（以下を参照）。
GitLab API プロファイル設定
GitLab の User Settings > Access Tokens でパーソナルアクセストークンを作成し、必要なスコープ（例：
read_api
、api
）を選択します。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、GitLab 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\GitLab.apip;ProfileSettings='APIKey=your_personal_access_token';").option("dbtable","AccessRequests").option("driver","cdata.jdbc.api.APIDriver").load() - 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。
GitLab をテンポラリーテーブルとして登録します:
scala> api_df.registerTable("accessrequests")-
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 Id, Username FROM AccessRequests WHERE State = pending").collect.foreach(println)コンソールで、次のようなGitLab のデータを取得できました！これでGitLab との連携は完了です。
CData JDBC Driver for API をApache Spark で使って、GitLab 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。