CData SSIS Components を使用して Google Translate のデータを Databricks にマイグレーション

Databricks は、大量のデータを簡単に処理、分析、可視化できる統合データ分析プラットフォームです。データエンジニアリング、データサイエンス、機械学習の機能を単一のプラットフォームに統合し、チームがコラボレーションしてデータからインサイトを得ることを容易にします。

CData SSIS Components は、SQL Server Integration Services を拡張し、さまざまなソースやデスティネーションからデータを簡単にインポート・エクスポートできるようにします。

この記事では、Databricks へのエクスポート時のデータ型マッピングの考慮事項を確認し、CData SSIS Components for Google Translate と Databricks を使用してGoogle Translate のデータを Databricks にマイグレーションする方法を説明します。

データ型マッピング

特別な考慮事項

• String/VARCHAR: Databricks の String カラムは、カラムの長さによって異なるデータ型にマッピングされます。カラムの長さが 4000 を超える場合、カラムは nvarchar(max) にマッピングされます。それ以外の場合は、nvarchar(length) にマッピングされます。
• DECIMAL: Databricks は最大 38 桁の精度の DECIMAL 型をサポートしていますが、それを超えるソースカラムはロードエラーを引き起こす可能性があります。

前提条件

• Visual Studio 2022
• Visual Studio 2022 用 SQL Server Integration Services Projects 拡張機能
• CData SSIS Components for Databricks
• CData SSIS Components for Google Translate

プロジェクトの作成とコンポーネントの追加

1. Visual Studio を開き、新しい Integration Services プロジェクトを作成します。
2. Control Flow 画面に新しい Data Flow Task を追加し、Data Flow Task を開きます。
3. Data Flow Task に CData Google Translate Source コントロールと CData Databricks Destination コントロールを追加します。

Google Translate ソースの設定

以下の手順に従って、Google Translate への接続に必要なプロパティを指定します。

1. CData Google Translate Source をダブルクリックしてソースコンポーネントエディタを開き、新しい接続を追加します。
2. CData Google Translate Connection Manager で接続プロパティを設定し、接続をテストして保存します。

   認証

   Google Cloud Translation API では、翻訳サービス、データセット、用語集、適応型 MT リソースへの安全なアクセスを確保するために、OAuth 2.0 認証が必要です。この認証方式により、Google Cloud プロジェクトに安全に接続し、適切な認可のもとで翻訳リソースを管理できます。

   OAuth 2.0 のセットアップと設定

   ステップ 1：Google Cloud プロジェクトの作成と API の有効化

   OAuth 認証をセットアップするには、以下のステップで進めます：

   1. Google Cloud Console にアクセスします
   2. 新しいプロジェクトを作成するか、既存のプロジェクトを選択します
   3. Project ID を控えておきます（すべての API 呼び出しで必要です）
   4. 「APIs & Services」 > 「Library」に移動します
   5. 「Cloud Translation API」を検索して有効化します
   6. 「APIs & Services」 > 「Credentials」に移動します
   7. 「Create Credentials」をクリックし、「OAuth Client ID」を選択します
   8. プロンプトが表示されたら OAuth 同意画面を設定します
   9. 用途に応じて「Desktop application」または「Web application」を選択します
   10. 承認済みリダイレクト URI（CallbackURL）を設定します
   11. 接続で使用する Client ID と Client Secret をコピーします

   必須の接続プロパティ

   • AuthScheme：OAuth に設定します（必須）
   • OAuthClientId：Google Cloud Console の Client ID（必須）
   • OAuthClientSecret：Google Cloud Console の Client Secret（必須）
   • CallbackURL：OAuth アプリケーションで指定したリダイレクト URI（必須）
   • InitiateOAuth：トークンを自動管理するには GETANDREFRESH に設定します（推奨）
   • ProjectId：Google Cloud のプロジェクト ID またはプロジェクト番号（クエリに必須）

   必須の OAuth スコープ

   Google Cloud Translation API プロファイルでは、以下の OAuth スコープが必要です：

   • https://www.googleapis.com/auth/cloud-translation - 翻訳、データセット、用語集、適応型 MT を含む Cloud Translation API リソースへのフルアクセス
   
3. 接続を保存後、「Table or view」を選択し、Databricks にエクスポートするテーブルまたはビューを選択して、CData Google Translate Source Editor を閉じます。

Databricks デスティネーションの設定

Google Translate Source を設定したら、Databricks 接続を設定してカラムをマッピングします。

1. CData Databricks Destination をダブルクリックしてデスティネーションコンポーネントエディタを開き、新しい接続を追加します。
2. CData Databricks Connection Manager で接続プロパティを設定し、接続をテストして保存します。Databricks クラスターに接続するには、以下のようにプロパティを設定します。

   注意：必要な値は、Databricks インスタンスで Clusters に移動し、目的のクラスターを選択して、Advanced Options の下にある JDBC/ODBC タブを選択することで確認できます。

   • Server：Databricks クラスターの Server Hostname を設定します。
   • HTTPPath：Databricks クラスターの HTTP Path を設定します。
   • Token：個人用アクセストークンを設定します（この値は、Databricks インスタンスの User Settings ページに移動し、Access Tokens タブを選択することで取得できます）。

   その他の便利な接続プロパティ

   • QueryPassthrough: True に設定すると、クエリは Databricks に直接渡されます。
   • ConvertDateTimetoGMT: True に設定すると、コンポーネントはローカルマシンの時刻ではなく、日時値を GMT に変換します。
   • UseUploadApi: このプロパティを true に設定すると、Bulk INSERT 操作で大量のデータがある場合にパフォーマンスが向上します。
   • UseCloudFetch: このオプションは、テーブルに 100 万件を超えるエントリがある場合にクエリ効率を向上させるために CloudFetch を使用するかどうかを指定します。
   
3. 接続を保存後、Use a Table メニューでテーブルを選択し、Action メニューで Insert を選択します。
4. Column Mappings タブで、入力カラムからデスティネーションカラムへのマッピングを設定します。

プロジェクトの実行

これでプロジェクトを実行できます。SSIS Task の実行が完了すると、SQL テーブルのデータが選択したテーブルにエクスポートされます。