Databricks（AWS）でScrapfly のデータを処理・分析

Jerod Johnson
Jerod Johnson
Director, Technology Evangelism
CData、AWS、Databricks を使用して、リアルタイムScrapfly 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。

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Scrapfly 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Scrapfly 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Scrapfly 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。Scrapfly 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Scrapfly 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Scrapfly 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Scrapfly 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.api.jar）をアップロードします。

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

Scrapfly 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Scrapfly 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.api.APIDriver"
url = "jdbc:api:RTK=5246...;Profile=C:\profiles\Scrapfly.apip;AuthScheme=APIKey;ProfileSettings='APIKey=your_api_key';"

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、Scrapfly 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.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。

Scrapfly API は API キー認証を使用します。API キーは、すべてのリクエストで key クエリパラメータとして渡されます。

API キー認証の設定

接続を作成するには、Scrapfly の API キーが必要です。API キーを取得するには、以下のステップで進めます：

  1. scrapfly.io で Scrapfly アカウントにログインします。
  2. Dashboard に移動して API Keys を選択します。
  3. API キーをコピーします（本番環境用は scp-live-、テスト環境用は scp-test- で始まります）。

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：Scrapfly の API キーに設定します。

接続文字列の例：

Profile=C:\profiles\Scrapfly.apip;AuthScheme=APIKey;ProfileSettings='APIKey=your_api_key';

Scrapfly 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、Scrapfly 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" , "Account") \
	.load ()

Scrapfly のデータを表示

ロードしたScrapfly 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 (""))

Databricks でScrapfly 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Scrapfly 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 ,  FROM SAMPLE_VIEW ORDER BY  DESC LIMIT 5

Scrapfly 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 API Driver for JDBC 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Scrapfly 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。

はじめる準備はできましたか？

API Driver で Scrapfly のライブデータに接続

Scrapfly に接続

この記事の内容

関連記事