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

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

HDFS 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HDFS 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.hdfs.HDFSDriver"
url = "jdbc:hdfs:RTK=5246...;Host=sandbox-hdp.hortonworks.com;Port=50070;Path=/user/root;User=root;"

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、HDFS 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.hdfs.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。

HDFS 接続プロパティの取得・設定方法

HDFS への認証には、次の接続プロパティを設定します。

• Host：HDFS インスタンスのホストに設定。
• Port：HDFS インスタンスのポートに設定。デフォルトのポートは"9870" です。

HDFS 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、HDFS 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" , "Files") \
	.load ()

HDFS のデータを表示

ロードしたHDFS 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 ("FileId"))

Databricks でHDFS 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HDFS 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 FileId, ChildrenNum FROM SAMPLE_VIEW ORDER BY ChildrenNum DESC LIMIT 5

HDFS 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 HDFS 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HDFS 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。