Azure Databricks でWordPress のデータに接続してデータ処理を行う方法

Databricks は、Apache Spark による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 ドライバと組み合わせることで、Databricks を使用してリアルタイムWordPress のデータの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、Azure で CData JDBC ドライバをホストし、Databricks からリアルタイムWordPress のデータに接続してデータを処理する方法を説明します。

最適化されたデータ処理機能を組み込んだ CData JDBC ドライバは、リアルタイムWordPress のデータとのインタラクションにおいて卓越したパフォーマンスを発揮します。WordPress に対して複雑な 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 操作を直接WordPressにプッシュし、サポートされていない操作（主に SQL 関数や JOIN 操作）は組み込みの SQL エンジンを使用してクライアント側で処理します。動的メタデータクエリ機能により、ネイティブのデータ型を使用してWordPress のデータの操作・分析が可能です。

CData JDBC ドライバを Azure 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、Azure Data Lake Storage（ADLS）を通じてドライバーをインストールします。（以前のバージョンの記事で説明していた DBFS を介した接続方法は非推奨となっていますが、廃止日は公開されていません。）

1. JDBC JAR ファイルを任意の Blob コンテナにアップロードします（例：「databrickslibraries」ストレージアカウントの「jdbcjars」コンテナ）。
2. ストレージアカウントから「セキュリティとネットワーク」を展開し、「アクセスキー」をクリックしてアカウントキーを取得します。使用するキーを表示してコピーしてください。
3. コンテナに移動し、JAR を保存している特定のコンテナを開き、JDBC JAR ファイルのエントリを選択して JAR ファイルの URL を取得します。ファイルの詳細が開き、URL をクリップボードにコピーするボタンがあります。この値は以下のようになります（「blob」の部分はストレージアカウントの種類によって異なる場合があります）：

   https://databrickslibraries.blob.core.windows.net/jdbcjars/cdata.jdbc.salesforce.jar

   
4. Databricks クラスターの「Configuration」タブで「Edit」ボタンをクリックし、「Advanced options」を展開します。そこで、以下の Spark オプション（JAR URL のドメイン名から派生）に、コピーしたアカウントキーを値として追加し、「Confirm」をクリックします： spark.hadoop.fs.azure.account.key.databrickslibraries.blob.core.windows.net
5. Databricks クラスターの「Libraries」タブで「Install new」をクリックし、ADLS オプションを選択します。ドライバー JAR の ABFSS URL（これも JAR URL のドメイン名から派生）を指定し、「Install」をクリックします。ABFSS URL は以下のようになります：

   abfss://[email protected]/cdata.jdbc.salesforce.jar

   

Databricks からWordPressに接続

JAR ファイルがインストールされたら、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。まず、ワークスペースで新しいノートブックを作成します。ワークブックに名前を付け、言語として Python が選択されていることを確認し（デフォルトで選択されているはずです）、「Connect」をクリックして「General Compute」から 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（デフォルトで選択されているはずです）。

WordPressへの接続を設定

JDBC ドライバのクラスを参照し、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 に 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。

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 の構築には、WordPress JDBC Driver に組み込まれている接続文字列デザイナーを使用できます。JAR ファイルをダブルクリックするか、コマンドラインから JAR ファイルを実行してください。

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 のデータの読み込み

接続を設定したら、CData JDBC ドライバと接続情報を使用してWordPress のデータをデータフレームとして読み込むことができます。

remote_table = spark.read.format ( "jdbc" ) \
	.option ( "driver" , driver) \
	.option ( "url" , url) \
	.option ( "dbtable" , "Categories") \
	.load ()

WordPress のデータの表示

読み込んだWordPress のデータを display 関数で確認してみましょう。

display (remote_table.select ("Id"))

Azure Databricks でWordPress のデータを分析

Databricks SparkSQL でデータを処理したい場合は、読み込んだデータを一時ビューとして登録します。

remote_table.createOrReplaceTempView ( "SAMPLE_VIEW" )

以下の SparkSQL で分析用のWordPress のデータを取得できます。

result = spark.sql("SELECT Id, Name FROM SAMPLE_VIEW")

WordPress からのデータは、対象のノートブック内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てください。

remote_table.write.format ( "parquet" ) .saveAsTable ( "SAMPLE_TABLE" )

CData JDBC Driver for Wordpress の30日間の無償トライアルをダウンロードして、Azure Databricks でリアルタイムWordPress のデータを活用してみてください。ご不明な点があれば、サポートチームまでお気軽にお問い合わせください。