Apache Spark でLakebase 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 Lakebase と組み合わせると、Spark はリアルタイムでLakebase 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Lakebase 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Lakebase と対話するための高いパフォーマンスを提供します。Lakebase 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Lakebase 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Lakebase を操作して分析できます。

CData JDBC Driver for Lakebase をインストール

まずは、本記事右側のサイドバーからLakebase 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Lakebase のデータに接続

1. ターミナルを開き、Spark shell でCData JDBC Driver for Lakebase JAR file をjars パラメータに設定します:

   $ spark-shell --jars /CData/CData JDBC Driver for Lakebase/lib/cdata.jdbc.lakebase.jar
   

2. Shell でJDBC URL を使ってLakebase に接続し、SQL Context load() function でテーブルを読み込みます。

   Databricks Lakebase に接続するには、以下のプロパティを設定します。

   • DatabricksInstance: Databricks インスタンスまたはサーバーホスト名を指定します。形式は instance-abcdef12-3456-7890-abcd-abcdef123456.database.cloud.databricks.com です。
   • Server: Lakebase データベースをホストするサーバーのホスト名または IP アドレスを指定します。
   • Port（オプション）: Lakebase データベースをホストするサーバーのポート番号を指定します。デフォルトは 5432 です。
   • Database（オプション）: Lakebase サーバーへの認証後に接続するデータベースを指定します。デフォルトでは認証ユーザーのデフォルトデータベースに接続します。

   OAuth クライアント認証

   OAuth クライアント資格情報を使用して認証するには、サービスプリンシパルで OAuth クライアントを構成します。手順の概要は以下のとおりです。

   1. 新しいサービスプリンシパルを作成・構成する
   2. サービスプリンシパルに権限を割り当てる
   3. サービスプリンシパル用の OAuth シークレットを作成する

   詳細については、ヘルプドキュメントの「Setting Up OAuthClient Authentication」セクションをご参照ください。

   OAuth PKCE 認証

   PKCE（Proof Key for Code Exchange）を使用した OAuth code タイプで認証するには、以下のプロパティを設定します。

   • AuthScheme: OAuthPKCE を指定します。
   • User: 認証ユーザーのユーザー ID を指定します。

   詳細については、ヘルプドキュメントをご参照ください。

   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、Lakebase 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.lakebase.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 lakebase_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:lakebase:DatabricksInstance=lakebase;Server=127.0.0.1;Port=5432;Database=my_database;").option("dbtable","Orders").option("driver","cdata.jdbc.lakebase.LakebaseDriver").load()
   

3. 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。

4. Lakebase をテンポラリーテーブルとして登録します:

   scala> lakebase_df.registerTable("orders")

5. 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> lakebase_df.sqlContext.sql("SELECT ShipName, ShipCity FROM Orders WHERE ShipCountry = USA").collect.foreach(println)

   コンソールで、次のようなLakebase のデータを取得できました！これでLakebase との連携は完了です。

   

CData JDBC Driver for Lakebase をApache Spark で使って、Lakebase 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。

Apache Spark の設定