Apache Spark でNASA 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NASA 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NASA 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NASA と対話するための高いパフォーマンスを提供します。NASA 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NASA 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NASA 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NASA 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NASA に接続し、SQL Context load() function でテーブルを読み込みます。
API キー認証の設定
ほとんどの NASA API エンドポイント（APOD、NeoWS、DONKI、TechTransfer）では、NASA API キーが必要です。https://api.nasa.gov で無料のキーを登録してください。デフォルトの DEMO_KEY ではアクセスが制限されます（1 時間あたり 30 リクエスト、1 日あたり 50 リクエスト）。登録済みのキーでは 1 時間あたり 1,000 リクエストが可能です。
以下のエンドポイントは API キーが不要で、認証なしで利用できます：EONET（Earth Observatory Natural Event Tracker）、EPIC（Earth Polychromatic Imaging Camera）、NASA Image and Video Library、TechPort。
API キーを取得したら、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：NASA の API キーに設定します。簡単なテストには DEMO_KEY を使用します。
接続文字列の例
Profile=C:\profiles\NASA.apip;AuthScheme=APIKey;APIKey=YOUR_NASA_API_KEY
NASA への接続
認証を設定すると、NASA に接続して、AstronomyPictureOfDay、NearEarthObjectFeed、EonetEvents、NasaImageLibrary などの利用可能なテーブルからデータをクエリできます。
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、NASA 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\NASA.apip;AuthScheme=APIKey;APIKey=YOUR_NASA_API_KEY").option("dbtable","AstronomyPictureOfDay").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。
NASA をテンポラリーテーブルとして登録します:
scala> api_df.registerTable("astronomypictureofday")-
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 AstronomyPictureOfDay WHERE StartDate = 2024-01-01").collect.foreach(println)コンソールで、次のようなNASA のデータを取得できました！これでNASA との連携は完了です。
CData JDBC Driver for API をApache Spark で使って、NASA 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。