Data Science Workspace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。 さらに、後でデータセットに読み取りおよび書き込みを行うために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を使用している間は、インタラクティブとバッチの2つの読み方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 データベース接続（JDBC）接続を作成し、通常のJDBC ResultSetを通じて結果を取得します。この結果は、DataFrameに自動的に変換されます。 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、小さ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、バッチモードに切り替え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。 次に、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データセットを読み取る例を次に示します。
// 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/列レベルですべてのdistinct値を取得し、応答からすべての重複する値を削除できます。
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では、SQL式を使用するか、条件を通じてフィルタリングするという2つのフィルタリング方法を使用できます。
これらのフィルタリング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、受信した結果を特定の順序（昇順または降順）で指定した列で並べ替えることができます。 Spark SDKでは、これはsort()関数を使用して行われます。
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では、上記のコードサンプルを使用してデータを読み書きするScala （Spark）のレシピサンプルを提供しています。 データへのアクセスにSparkを使用する方法について詳しくは、Data Science Workspace Scala GitHub Repositoryを参照してください。