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

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

WordPress 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WordPress 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.wordpress.WordPressDriver"
url = "jdbc:wordpress:RTK=5246...;Url=http://www.yourwordpresshost.com;"

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、WordPress 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.wordpress.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。

WordPress 接続プロパティの取得・設定方法

現時点では、CData JDBC Driver for WordPress はセルフホスト型のWordPress インスタンスへの接続のみをサポートしています。データに接続するには、Url を自身のwordpress サイトに指定し、次に以下に説明するように認証を行います。

URL を完全な形式で記入します。例えば、あなたのサイトが'http://localhost/wp/wordpress' でホストされている場合、URL は'http://localhost' ではなく、'http://localhost/wp/wordpress' となるべきです。 URL を完全な形式で入力しないと、'site not found' というエラーが発生します。

WordPress は2種類の認証をサポートします。

• Basic 認証は、テスト環境での使用が推奨されます。
• OAuth 2.0 認証は、デスクトップアプリケーション、Web アプリケーション、またはヘッドレスマシンからのブラウザベースのアクセスをサポートします。

Basic 認証

Basic 認証を使用するようにWordPress を設定する前に：

• WordPress ログインに管理者権限があることを確認してください。
• ローカルホストで実行されているWordPress のバージョンを確認します。（WordPress 4.7 以降はネイティブでWordPress REST API サポートしていますが、それより前のバージョンでは、REST API へのアクセスを安全に行うには、Basic 認証プラグインの使用が必要です。）

Basic 認証を構成するには：

1. WordPress ホストにログインします。
2. 4.7より前のバージョンのWordPress を実行している場合は、REST API プラグインをインストールしてください。
3. Basic Authentication プラグインをインストールします。
4. カスタムタクソノミーを作成するには、Simple Taxonomy Refreshed をインストールします。プラグインを手動でインストールしたい場合は、圧縮されたフォルダをwp-content\plugins フォルダに展開してからWordPress 管理者インターフェース経由でプラグインを有効にします。
5. 次の接続プロパティを設定します。
   • AuthScheme：Basic。
   • Url：WordPress URL。
   • User：ユーザーネーム。
   • Password：パスワード。

OAuth 2.0 認証についてはヘルプドキュメントを参照してください。

WordPress 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、WordPress 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" , "Categories") \
	.load ()

WordPress のデータを表示

ロードしたWordPress 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 ("Id"))

Databricks でWordPress 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WordPress 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 Id, Name FROM SAMPLE_VIEW ORDER BY Name DESC LIMIT 5

WordPress 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 Wordpress 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WordPress 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。