Databricks（AWS）でSQL Server 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SQL Server 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SQL Server 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SQL Server 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。SQL Server 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SQL Server 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SQL Server 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SQL Server 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.sql.jar）をアップロードします。

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

SQL Server 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SQL Server 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.sql.SQLDriver"
url = "jdbc:sql:RTK=5246...;User=myUser;Password=myPassword;Database=NorthWind;Server=myServer;Port=1433;"

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、SQL Server 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.sql.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。

SQL Server 接続プロパティの取得・設定方法

Microsoft SQL Server への接続には以下を入力します。

• Server: SQL Server が稼働するサーバー名。
• User: SQL Server に接続するユーザー名。
• Password: 接続するユーザーのパスワード。
• Database: SQL Server データベース名。

Azure SQL Server およびAzure Data Warehouse への接続

Azure SQL Server およびAzure Data Warehouse には以下の接続プロパティを入力して接続します:

• Server: Azure 上のサーバー。Azure ポータルの「SQL databases」（もしくは「SQL data warehouses」）-> データベースを選択 -> 「Overview」-> 「Server name」で確認が可能です。
• User: Azure に認証するユーザー名。
• Password: 認証するユーザーのパスワード。
• Database: Azure ポータルでSQL databases (or SQL warehouses) ページに表示されるデータベース名。

SQL Server 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、SQL Server 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 ()

SQL Server のデータを表示

ロードしたSQL Server 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SQL Server 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SQL Server 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, Freight FROM SAMPLE_VIEW ORDER BY Freight DESC LIMIT 5

SQL Server 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 SQL Server 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SQL Server 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。