Google Data Fusion で Hugging Face に連携した ETL プロセスを作成

Google Data Fusion を使用すると、セルフサービス型のデータ連携を行い、異なるデータソースを統合できます。CData API Driver for JDBC をアップロードすることで、Google Data Fusion のパイプライン内から Hugging Face のデータ にリアルタイムでアクセスできるようになります。CData JDBC Driver を使用すると、Hugging Face のデータ を Google Data Fusion でネイティブにサポートされている任意のデータソースにパイプできますが、この記事では、Hugging Face から Google BigQuery へデータをパイプする方法を説明します。

CData API Driver for JDBC を Google Data Fusion にアップロード

CData API Driver for JDBC を Google Data Fusion インスタンスにアップロードして、Hugging Face のデータ にリアルタイムでアクセスしましょう。Google Data Fusion では JDBC ドライバーの命名規則に制限があるため、JAR ファイルを driver-version.jar という形式に合わせてコピーまたはリネームしてください。例：cdataapi-2020.jar

1. Google Data Fusion インスタンスを開きます
2. をクリックしてエンティティを追加し、ドライバーをアップロードします
3. "Upload driver" タブで、リネームした JAR ファイルをドラッグまたは参照します。
4. "Driver configuration" タブで以下を設定します：
   • Name: ドライバーの名前（cdata.jdbc.api）を作成し、メモしておきます
   • Class name: JDBC クラス名を設定します：（cdata.jdbc.api.APIDriver）
   
5. "Finish" をクリックします

Google Data Fusion で Hugging Face のデータ に接続

JDBC Driver をアップロードしたら、Google Data Fusion のパイプラインで Hugging Face のデータ にリアルタイムでアクセスできます。

1. Pipeline Studio に移動して、新しいパイプラインを作成します
2. "Source" オプションから "Database" をクリックして、JDBC Driver 用のソースを追加します
3. Database ソースの "Properties" をクリックしてプロパティを編集します

   NOTE：Google Data Fusion で JDBC Driver を使用するには、ライセンス（製品版またはトライアル）とランタイムキー（RTK）が必要です。ライセンス（またはトライアル）の取得については、CData までお問い合わせください。

   • Label を設定します
   • Reference Name を将来の参照用の値に設定します（例：cdata-api）
   • Plugin Type を "jdbc" に設定します
   • Connection String を Hugging Face の JDBC URL に設定します。例：
     
     jdbc:api:RTK=5246...;Profile=C:\profiles\HuggingFace.apip;ProfileSettings='APIKey=hf_xxxxxxxxxxxxxxxxxxxx';

     HuggingFace Hub は、API へのアクセスを可能にするためにトークンベースの認証を使用します。この API では、HuggingFace Hub プラットフォーム上の機械学習モデル、データセット、スペース、論文、その他のリソースにアクセスできます。

     API キー認証の設定

     HuggingFace Hub への認証には、API Key（アクセストークン）を指定する必要があります。アクセストークンを取得するには、以下のステップで進めます：

     1. https://huggingface.co で HuggingFace アカウントにログインします
     2. Settings > Access Tokens に移動します
     3. 「New token」をクリックして新しいアクセストークンを作成します
     4. 適切な権限（read または write）を選択します
     5. トークンの値をコピーします

     アクセストークンを取得したら、以下の接続プロパティを設定します：

     • AuthScheme：APIKey に設定します。
     • APIKey：HuggingFace のアクセストークンに設定します。

     接続文字列の例

     Profile=C:\profiles\HuggingFace.apip;ProfileSettings='APIKey=hf_xxxxxxxxxxxxxxxxxxxx';
     

     ビルトイン接続文字列デザイナー

     JDBC URL の作成には、Hugging Face JDBC Driver に組み込まれている接続文字列デザイナーを使用できます。JAR ファイルをダブルクリックするか、コマンドラインから JAR ファイルを実行してください。

           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。

     
   • Import Query を Hugging Face から取得したいデータを抽出する SQL クエリに設定します。例：
     SELECT * FROM Collections
   
4. "Sink" タブから、同期先シンクを追加します（この例では Google BigQuery を使用します）
5. BigQuery シンクの "Properties" をクリックしてプロパティを編集します
   • Label を設定します
   • Reference Name を api-bigquery のような値に設定します
   • Project ID を特定の Google BigQuery プロジェクト ID に設定します（またはデフォルトの "auto-detect" のままにします）
   • Dataset を特定の Google BigQuery データセットに設定します
   • Table を Hugging Face のデータ を挿入するテーブル名に設定します
   

Source と Sink を設定すると、Hugging Face のデータ を Google BigQuery にパイプする準備が整います。パイプラインを保存してデプロイしてください。パイプラインを実行すると、Google Data Fusion が Hugging Face からリアルタイムデータをリクエストし、Google BigQuery にインポートします。

これはシンプルなパイプラインの例ですが、変換、分析、条件などを使用してより複雑な Hugging Face パイプラインを作成できます。CData API Driver for JDBC の 30日間の無償トライアルをダウンロードして、今すぐ Google Data Fusion で Hugging Face のデータ をリアルタイムで活用しましょう。