Apache Spark でHacker News 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Hacker News 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Hacker News 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Hacker News と対話するための高いパフォーマンスを提供します。Hacker News 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Hacker News 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Hacker News 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Hacker News 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Hacker News に接続し、SQL Context load() function でテーブルを読み込みます。
HackerNews への接続
HackerNews API（Firebase 製）は、認証が不要なパブリック API です。認証情報なしですぐに接続してデータをクエリできます。
以下の接続プロパティを設定して接続を確立してください：
- AuthScheme：None に設定します。
接続文字列の例：
Profile=C:\profiles\HackerNews.apip;AuthScheme=None
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、Hacker News 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\HackerNews.apip;AuthScheme=None").option("dbtable","TopStories").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。
Hacker News をテンポラリーテーブルとして登録します:
scala> api_df.registerTable("topstories")-
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 , FROM TopStories WHERE = ").collect.foreach(println)コンソールで、次のようなHacker News のデータを取得できました！これでHacker News との連携は完了です。
CData JDBC Driver for API をApache Spark で使って、Hacker News 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。