Apache Spark でPerigon 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Perigon 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Perigon 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Perigon と対話するための高いパフォーマンスを提供します。Perigon 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Perigon 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Perigon 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Perigon 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Perigon 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
Perigon API を利用するには、Perigon アカウントから API キーを取得する必要があります。Perigon ダッシュボードに移動して、アカウント設定から API キーを生成してください。
以下の接続プロパティを設定して接続を確立してください：
- AuthScheme：APIKey に設定します。
- APIKey：Perigon の API キーに設定します。
接続文字列の例：
Profile=C:\profiles\Perigon.apip;AuthScheme=APIKey;ProfileSettings="APIKey=your_api_key"
利用可能なテーブル
Perigon プロファイルでは、以下のテーブルにアクセスできます：
- Articles - Perigon ニュースインテリジェンス API から取得したニュース記事
- Headlines - 関連するヘッドライン記事をまとめたストーリークラスター
- Sources - Perigon ニュースインテリジェンス API が追跡するニュースソース
- Journalists - Perigon ニュースインテリジェンス API が追跡するジャーナリストのプロフィール
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、Perigon 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\Perigon.apip;AuthScheme=APIKey;ProfileSettings="APIKey=your_api_key"").option("dbtable","Articles").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。
Perigon をテンポラリーテーブルとして登録します:
scala> api_df.registerTable("articles")-
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 Articles WHERE = ").collect.foreach(println)コンソールで、次のようなPerigon のデータを取得できました！これでPerigon との連携は完了です。
CData JDBC Driver for API をApache Spark で使って、Perigon 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。