データサイエンスWorkspaceでの Spark を使用したデータへのアクセス
次のドキュメントでは、Data Science Workspaceで使用する Spark を使用してデータにアクセスする方法の例を示します。 JupyterLab ノートブックを使用したデータへのアクセスについて詳しくは、JupyterLab ノートブックのデータアクセスのドキュメントを参照してください。
はじめに
Spark を使用するには、SparkSession に追加する必要があるパフォーマンスの最適化が必要です。 また、データセットに対する読み取りと書き込みを後で行うように configProperties を設定することもできます。
import com.adobe.platform.ml.config.ConfigProperties
import com.adobe.platform.query.QSOption
import org.apache.spark.sql.{DataFrame, SparkSession}
Class Helper {
/**
*
* @param configProperties - Configuration Properties map
* @param sparkSession - SparkSession
* @return - DataFrame which is loaded for training
*/
def load_dataset(configProperties: ConfigProperties, sparkSession: SparkSession, taskId: String): DataFrame = {
// Read the configs
val userToken: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_TOKEN", "").toString
val orgId: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_ORG_ID", "").toString
val apiKey: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_CLIENT_ID", "").toString
val sandboxName: String = sparkSession.sparkContext.getConf.get("sandboxName", "").toString
}
}
データセットの読み取り
Spark を使用する際は、インタラクティブとバッチの 2 つの読み取りモードにアクセスできます。
インタラクティブモードは、Query Service への Java Database Connectivity （JDBC）接続を作成し、DataFrame に自動変換される通常の JDBC ResultSet を通じて結果を取得します。 このモードは、組み込みの Spark メソッド spark.read.jdbc() と同様に機能します。 このモードは、小規模なデータセットのみを対象としています。 データセットが 500 万行を超える場合は、バッチモードにスワップすることをお勧めします。
バッチモードでは、Query Service の COPY コマンドを使用して、共有場所に Parquet 結果セットを生成します。 その後、これらの Parquet ファイルをさらに処理できます。
インタラクティブモードでのデータセットの読み取り例を以下に示します。
// Read the configs
val userToken: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_TOKEN", "").toString
val orgId: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_ORG_ID", "").toString
val apiKey: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_CLIENT_ID", "").toString
val sandboxName: String = sparkSession.sparkContext.getConf.get("sandboxName", "").toString
val dataSetId: String = configProperties.get(taskId).getOrElse("")
// Load the dataset
var df = sparkSession.read.format(PLATFORM_SDK_PQS_PACKAGE)
.option(QSOption.userToken, userToken)
.option(QSOption.imsOrg, orgId)
.option(QSOption.apiKey, apiKey)
.option(QSOption.mode, "interactive")
.option(QSOption.datasetId, dataSetId)
.option(QSOption.sandboxName, sandboxName)
.load()
df.show()
df
}
同様に、バッチモードでデータセットを読み取る例を次に示します。
val df = sparkSession.read.format(PLATFORM_SDK_PQS_PACKAGE)
.option(QSOption.userToken, userToken)
.option(QSOption.imsOrg, orgId)
.option(QSOption.apiKey, apiKey)
.option(QSOption.mode, "batch")
.option(QSOption.datasetId, dataSetId)
.option(QSOption.sandboxName, sandboxName)
.load()
df.show()
df
データセットから列を選択
df = df.select("column-a", "column-b").show()
DISTINCT 句
DISTINCT 句を使用すると、行/列レベルでユニークな値をすべて取得し、応答から重複する値をすべて削除できます。
distinct() 関数の使用例を次に示します。
df = df.select("column-a", "column-b").distinct().show()
WHERE 句
Spark SDK でフィルタリングできる方法は、SQL 式を使用する方法と、条件を使用したフィルタリング方法の 2 つです。
これらのフィルター関数の使用例を次に示します。
SQL 式
df.where("age > 15")
フィルター条件
df.where("age" > 15 || "name" = "Steve")
ORDER BY 句
ORDER BY 句を使用すると、指定した列を指定した順序（昇順または降順）で並べ替えて、受信した結果を表示できます。 Spark SDK では、sort() 関数を使用してこれを行います。
sort() 関数の使用例を次に示します。
df = df.sort($"column1", $"column2".desc)
LIMIT 句
LIMIT 句を使用すると、データセットから受信するレコードの数を制限できます。
limit() 関数の使用例を次に示します。
df = df.limit(100)
データセットへの書き込み
configProperties マッピングを使用すると、QSOption を使用してExperience Platformのデータセットに書き込むことができます。
val userToken: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_TOKEN", "").toString
val orgId: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_ORG_ID", "").toString
val apiKey: String = sparkSession.sparkContext.getConf.get("ML_FRAMEWORK_IMS_CLIENT_ID", "").toString
val sandboxName: String = sparkSession.sparkContext.getConf.get("sandboxName", "").toString
df.write.format(PLATFORM_SDK_PQS_PACKAGE)
.option(QSOption.userToken, userToken)
.option(QSOption.imsOrg, orgId)
.option(QSOption.apiKey, apiKey)
.option(QSOption.datasetId, scoringResultsDataSetId)
.option(QSOption.sandboxName, sandboxName)
.save()
次の手順
Adobe Experience Platform Data Science Workspaceは、上記のコードサンプルを使用してデータの読み取りと書き込みを行う Scala （Spark）レシピサンプルを提供します。 Spark を使用してデータにアクセスする方法について詳しくは、 データサイエンス Workspace Scala GitHub リポジトリを参照してください。