Pentaho Data Integration でHDFS のデータを連携

Jerod Johnson
Director, Technology Evangelism

Pentaho Data Integration で HDFS のデータをベースにした ETL パイプラインを構築します。

CData JDBC Driver for HDFS を使用すると、データパイプラインからリアルタイムデータにアクセスできます。Pentaho Data Integration は、ETL（Extraction, Transformation, and Loading）エンジンであり、データをクレンジングし、アクセス可能な統一フォーマットでデータを格納します。この記事では、HDFS のデータに JDBC データソースとして接続し、Pentaho Data Integration で HDFS のデータをベースにしたジョブやトランスフォーメーションを構築する方法を説明します。

HDFS への接続を設定

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。

組み込みの接続文字列デザイナー

JDBC URL の構築を支援するには、HDFS JDBC Driver に組み込まれている接続文字列デザイナーを使用してください。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

接続プロパティを設定し、接続文字列をクリップボードにコピーします。

組み込みの接続文字列デザイナーを使用して JDBC URL を生成（Salesforce の例）

JDBC URL を設定する際には、Max Rows 接続プロパティの設定も検討してください。これにより返される行数が制限され、レポートやビジュアライゼーションの設計時にパフォーマンスを向上させることができます。

一般的な JDBC URL は次のようになります：

jdbc:hdfs:Host=sandbox-hdp.hortonworks.com;Port=50070;Path=/user/root;User=root;

接続文字列を保存して、Pentaho Data Integration で使用します。

Pentaho DI から HDFS に接続

Pentaho Data Integration を開き、「Database Connection」を選択して CData JDBC Driver for HDFS への接続を設定します。

「General」をクリックします。
Connection name を設定します（例：HDFS Connection）。
Connection type を「Generic database」に設定します。
Access を「Native (JDBC)」に設定します。
Custom connection URL に HDFS の接続文字列を設定します（例：
```
jdbc:hdfs:Host=sandbox-hdp.hortonworks.com;Port=50070;Path=/user/root;User=root;
```
）。
Custom driver class name を「cdata.jdbc.hdfs.HDFSDriver」に設定します。
接続をテストし、「OK」をクリックして保存します。