Apache Spark でStack Exchange 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Stack Exchange 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Stack Exchange 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Stack Exchange と対話するための高いパフォーマンスを提供します。Stack Exchange 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Stack Exchange 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Stack Exchange 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Stack Exchange 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Stack Exchange に接続し、SQL Context load() function でテーブルを読み込みます。
まず、Profile 接続プロパティをディスク上の Stack Exchange プロファイルの場所に設定します（例：C:\profiles\StackExchange.apip）。次に、ProfileSettings 接続プロパティを Stack Exchange の接続文字列に設定します（以下を参照）。
Stack Exchange API プロファイル設定
StackApps でアプリケーションを登録して、API キーを取得します。Site プロパティでは、クエリ対象の Stack Exchange サイトを指定します（例：stackoverflow）。
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、Stack Exchange 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\StackExchange.apip;ProfileSettings='APIKey=your_api_key;Site=stackoverflow';").option("dbtable","Answers").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。
Stack Exchange をテンポラリーテーブルとして登録します:
scala> api_df.registerTable("answers")-
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 AnswerId, CreationDate FROM Answers WHERE IsAccepted = true").collect.foreach(println)コンソールで、次のようなStack Exchange のデータを取得できました！これでStack Exchange との連携は完了です。
CData JDBC Driver for API をApache Spark で使って、Stack Exchange 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。