Databricks（AWS）でYahoo! JAPAN DATA SOLUTION 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Yahoo! JAPAN DATA SOLUTION 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Yahoo! JAPAN DATA SOLUTION 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Yahoo! JAPAN DATA SOLUTION 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。Yahoo! JAPAN DATA SOLUTION 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Yahoo! JAPAN DATA SOLUTION 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Yahoo! JAPAN DATA SOLUTION 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Yahoo! JAPAN DATA SOLUTION 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.yahoods.jar）をアップロードします。

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

Yahoo! JAPAN DATA SOLUTION 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Yahoo! JAPAN DATA SOLUTION 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.yahoods.YahooDSDriver"
url = "jdbc:yahoods:RTK=5246...;AppID=12345678-1234-1234-1234-123456789012;"

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、Yahoo! JAPAN DATA SOLUTION 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.yahoods.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。

認証するには、次のプロパティを指定する必要があります。

• AppID：アプリケーションID は認証に使用されます。取得するには、Yahoo! JAPAN データソリューションのサポートチームにリクエストを送信してください。

Yahoo! JAPAN DATA SOLUTION 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、Yahoo! JAPAN DATA SOLUTION 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" , "SearchRanking") \
	.load ()

Yahoo! JAPAN DATA SOLUTION のデータを表示

ロードしたYahoo! JAPAN DATA SOLUTION 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 ("Rank"))

Databricks でYahoo! JAPAN DATA SOLUTION 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Yahoo! JAPAN DATA SOLUTION 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 Rank, Volume FROM SAMPLE_VIEW ORDER BY Volume DESC LIMIT 5

Yahoo! JAPAN DATA SOLUTION 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 Yahoo! JAPAN DATA SOLUTION 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Yahoo! JAPAN DATA SOLUTION 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。