Databricks（AWS）でSAS Data Sets 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SAS Data Sets 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SAS Data Sets 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SAS Data Sets 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。SAS Data Sets 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SAS Data Sets 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SAS Data Sets 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SAS Data Sets 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.sasdatasets.jar）をアップロードします。

ノートブックでSAS Data Sets 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SAS Data Sets 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、SAS Data Sets をクエリして、基本的なレポートを作成できます。

SAS Data Sets 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SAS Data Sets 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.sasdatasets.SASDataSetsDriver"
url = "jdbc:sasdatasets:RTK=5246...;URI=C:/myfolder;"

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、SAS Data Sets 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.sasdatasets.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。

SAS DataSets ファイルに接続するには、次の接続プロパティを設定します。

• URI: .sas7bdat リソースを含むフォルダに設定。現時点では、ローカルファイルのみをサポートしています。

SAS Data Sets 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、SAS Data Sets 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" , "restaurants") \
	.load ()

SAS Data Sets のデータを表示

ロードしたSAS Data Sets 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 ("name"))

Databricks でSAS Data Sets 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SAS Data Sets 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 name, borough FROM SAMPLE_VIEW ORDER BY borough DESC LIMIT 5

SAS Data Sets 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 SAS Data Sets 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SAS Data Sets 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。