Databricks（AWS）でPostgreSQL のデータを処理・分析

Databricks は、Apache Spark を通じたデータ処理機能を提供するクラウドベースのサービスです。CData JDBC Driver と組み合わせることで、Databricks を使用してリアルタイムPostgreSQL のデータに対してデータエンジニアリングとデータサイエンスを実行できます。この記事では、AWS でCData JDBC Driver をホストし、Databricks でリアルタイムPostgreSQL のデータに接続して処理する方法を説明します。

最適化されたデータ処理が組み込まれたCData JDBC Driver は、リアルタイムPostgreSQL のデータを扱う上で比類のないパフォーマンスを提供します。PostgreSQL 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のサポートされているSQL 操作をPostgreSQL に直接プッシュし、サポートされていない操作（主にSQL 関数やJOIN 操作）は組み込みSQL エンジンを利用して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ってPostgreSQL のデータを操作・分析できます。

CData JDBC Driver をDatabricks にインストール

Databricks でリアルタイムPostgreSQL のデータを操作するには、Databricks クラスターにドライバーをインストールします。

1. Databricks の管理画面に移動し、対象のクラスターを選択します。
2. Libraries タブで「Install New」をクリックします。
3. Library Source として「Upload」を選択し、Library Type として「Jar」を選択します。
4. インストール場所（通常はC:\Program Files\CData[product_name]\lib）からJDBC JAR ファイル（cdata.jdbc.postgresql.jar）をアップロードします。

ノートブックでPostgreSQL のデータにアクセス：Python

JAR ファイルをインストールしたら、Databricks でリアルタイムPostgreSQL のデータを操作する準備が整いました。ワークスペースに新しいノートブックを作成します。ノートブックに名前を付け、言語としてPython を選択し（Scala も利用可能）、JDBC ドライバーをインストールしたクラスターを選択します。ノートブックが起動したら、接続を設定し、PostgreSQL をクエリして、基本的なレポートを作成できます。

PostgreSQL への接続を設定

JDBC Driver クラスを参照し、JDBC URL で使用する接続文字列を構築してPostgreSQL に接続します。また、JDBC URL でRTK プロパティを設定する必要があります（Beta ドライバーを使用している場合を除く）。このプロパティの設定方法については、インストールに含まれるライセンスファイルを参照してください。

ステップ1：接続情報

driver = "cdata.jdbc.postgresql.PostgreSQLDriver"
url = "jdbc:postgresql:RTK=5246...;User=postgres;Password=admin;Database=postgres;Server=127.0.0.1;Port=5432;"

組み込みの接続文字列デザイナー

JDBC URL の作成をサポートするために、PostgreSQL JDBC Driver に組み込まれている接続文字列デザイナーが使用できます。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 ファイルを実行します。

java -jar cdata.jdbc.postgresql.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。

PostgreSQL への接続には、Server、Port（デフォルトは5432）、Database、およびUser、Password のプロパティを設定します。Database プロパティが設定されない場合には、User のデフォルトデータベースに接続します。

パスワード方式によるSSH 接続

パスワード方式によるSSH接続時に必要なプロパティ一覧を以下に示します。

• User: PostgreSQL のユーザ
• Password: PostgreSQL のパスワード
• Database: PostgreSQL の接続先データベース
• Server: PostgreSQL のサーバー
• Port: PostgreSQL のポート
• UserSSH: "true"
• SSHAuthMode: "Password"
• SSHPort: SSH のポート
• SSHServer: SSH サーバー
• SSHUser: SSH ユーザー
• SSHPassword: SSH パスワード

接続文字列形式では以下のようになります。

User=admin;Password=adminpassword;Database=test;Server=postgresql-server;Port=5432;UseSSH=true;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHPassword=sshpasswd;

公開鍵認証方式によるSSH 接続

公開鍵認証によるSSH接続時に必要なプロパティ一覧を以下に示します。

• User: PostgreSQL のユーザ
• Password: PostgreSQL のパスワード
• Database: PostgreSQL の接続先データベース
• Server: PostgreSQL のサーバー
• Port: PostgreSQL のポート
• UserSSH: "true"
• SSHAuthMode: "Public_Key"
• SSHClientCertType: キーストアの種類
• SSHPort: SSH のポート
• SSHServer: SSH サーバー
• SSHUser: SSH ユーザー
• SSHClientCert: 秘密鍵ファイルのパス

接続文字列形式では以下のようになります。

User=admin;Password=adminpassword;Database=test;Server=PostgreSQL-server;Port=5432;UseSSH=true;SSHClientCertType=PEMKEY_FILE;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHClientCert=C:\Keys\key.pem;

PostgreSQL のデータをロード

接続を設定したら、CData JDBC Driver と接続情報を使用して、PostgreSQL のデータをDataFrame としてロードできます。

ステップ2：データの読み取り

remote_table = spark.read.format ( "jdbc" ) \
	.option ( "driver" , driver) \
	.option ( "url" , url) \
	.option ( "dbtable" , "Orders") \
	.load ()

PostgreSQL のデータを表示

ロードしたPostgreSQL のデータをdisplay 関数を呼び出して確認します。

ステップ3：結果の確認

display (remote_table.select ("ShipName"))

Databricks でPostgreSQL のデータを分析

Databricks SparkSQL でデータを処理するには、ロードしたデータをTemp View として登録します。

ステップ4：ビューまたはテーブルを作成

remote_table.createOrReplaceTempView ( "SAMPLE_VIEW" )

Temp View を作成したら、SparkSQL を使用してPostgreSQL のデータをレポート、ビジュアライゼーション、分析用に取得できます。

% sql

SELECT ShipName, ShipCity FROM SAMPLE_VIEW ORDER BY ShipCity DESC LIMIT 5

PostgreSQL からのデータは、対象のノートブックでのみ利用可能です。他のユーザーと共有したい場合は、テーブルとして保存します。

remote_table.write.format ( "parquet" ) .saveAsTable ( "SAMPLE_TABLE" )

CData JDBC Driver for PostgreSQL の30日間無償トライアルをダウンロードして、Databricks でリアルタイムPostgreSQL のデータの操作をはじめましょう。ご不明な点があれば、サポートチームにお問い合わせください。