Databricks（AWS）でTwitter 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Twitter 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Twitter 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Twitter 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。Twitter 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Twitter 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Twitter 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Twitter 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.twitter.jar）をアップロードします。

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

Twitter 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Twitter 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.twitter.TwitterDriver"
url = "jdbc:twitter:RTK=5246...;"

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、Twitter 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.twitter.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。

すべてのテーブルには認証が必要です。OAuth を使用してTwitter で認証する必要があります。OAuth では認証するユーザーにブラウザでTwitter との通信を要求します。詳しくは、ヘルプドキュメントの「OAuth 認証の使用」を参照してください。

Twitter 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、Twitter 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" , "Tweets") \
	.load ()

Twitter のデータを表示

ロードしたTwitter 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 ("From_User_Name"))

Databricks でTwitter 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Twitter 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_User_Name, Retweet_Count FROM SAMPLE_VIEW ORDER BY Retweet_Count DESC LIMIT 5

Twitter 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 Twitter 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Twitter 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。