Databricks にDB2 のデータを連携・統合する方法

こんにちは！プロダクトスペシャリストの宮本です。

データ分析基盤へのDB2 のデータの取り込みのニーズが高まっています。CData Sync は、数百のSaaS / DB のデータをDatabricks をはじめとする各種DB / データウェアハウスにノーコードで統合・転送（複製）が可能なETL / ELT ツールです。

本記事では、DB2 のデータをCData Sync を使ってDatabricks に統合するデータパイプラインを作っていきます。

CData Sync とは？

CData Sync は、レポーティング、アナリティクス、機械学習、AI などで使えるよう、社内のデータを一か所に統合して管理できるデータ基盤をノーコードで構築できるETL / ELT ツールで、以下の特徴を持っています。

1. DB2 をはじめとする数百種類のSaaS / DB データに対応
2. Databricks など多くのRDB、データレイク、データストア、データウェアハウスに同期可能
3. 業務データのデータ分析基盤へのETL / ELT 機能に特化し、極限まで設定操作をシンプルに
4. 主要なSaaS データの差分更新やCDC（Change Data Capture、変更データキャプチャ）のサポート
5. フレキシブルなSQL / dbt 連携での取得データの変換

CData Sync では、1.データソースとしてDB2 の接続を設定、2.同期先としてDatabricks の接続を設定、3.DB2 からDatabricks への転送ジョブの作成、という3つのステップだけで転送処理を作成可能です。以下に具体的な設定手順を説明します。

1. データソースとしてDB2 の接続を設定

まずはじめに、CData Sync のブラウザ管理コンソールにログインします。CData Sync のインストールをまだ行っていない方は、本記事の製品リンクから「CData Sync」をクリックしてCData Sync をインストールしてください。30日間の無償トライアルをご利用いただけます。インストール後にCData Sync が起動して、ブラウザ設定画面が開きます。

それでは、データソース側にDB2 を設定していきましょう。左の「接続」タブをクリックします。

1. 「＋接続の追加」ボタンをクリックします。
2. 「データソース」タブを選択して、リスト表示されるデータソースを選ぶか、検索バーにデータソース名を入力して、DB2 を見つけます。
3. DB2 の右側の「→」をクリックして、DB2 アカウントへの接続画面を開きます。もし、DB2 のコネクタがデフォルトでCData Sync にインストールされていない場合には、ダウンロードアイコン（コネクタのアップロードアイコン）をクリックし、「ダウンロード」をクリックすると、CData Sync にコネクタがインストールされます。
4. 接続プロパティにDB2 に接続するアカウント情報を入力をします。
   

   DB2 に接続するには以下のプロパティを設定します。

   • Server: DB2 を実行するサーバー名。
   • Port: DB2 サーバーのポート。
   • Database: DB2 データベース名。

   接続の準備ができたら、認証スキームを選択し、以下で説明するように適切なプロパティを設定します。

   本製品 は、DB2 への認証に4つの異なるスキームをサポートします。DB2 ユーザー資格情報（デフォルト）、暗号化されたユーザー資格情報、IBM Identity and Access Management（IAM）認証、および Kerberos です。

   DB2 ユーザー資格情報

   ユーザー資格情報を使用して認証するには、次のプロパティを設定します。
   • AuthScheme：USRIDPWD。
   • User：データベースへのアクセス権を持つユーザーのユーザー名。
   • Password：データベースへのアクセス権を持つユーザーのパスワード。

   暗号化されたユーザー資格情報

   サーバーがセキュア認証に対応しており、暗号化されたユーザー資格情報を使用して認証を行いたい場合は、このプロパティを設定します。
   • AuthScheme：EUSRIDPWD

   IAM、Kerberos で認証したい場合は、ヘルプドキュメントの「はじめに」セクションを参照してください。

   パスワード方式によるSSH 接続

   パスワード方式によるSSH接続時に必要なプロパティ一覧を以下に示します。

   • User: DB2 のユーザ
   • Password: DB2 のパスワード
   • Database: DB2 の接続先データベース
   • Server: DB2 のサーバー
   • Port: DB2 のポート
   • UserSSH: "true"
   • SSHAuthMode: "Password"
   • SSHPort: SSH のポート
   • SSHServer: SSH サーバー
   • SSHUser: SSH ユーザー
   • SSHPassword: SSH パスワード

   接続文字列形式では以下のようになります。

   Server=10.0.1.2;Port=50000;User=admin;Password=admin;Database=testUseSSH=true;SSHAuthMode=Password;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHPassword=sshpasswd;

   公開鍵認証方式方式によるSSH 接続

   公開鍵認証によるSSH接続時に必要なプロパティ一覧を以下に示します。

   • User: DB2 のユーザ
   • Password: DB2 のパスワード
   • Database: DB2 の接続先データベース
   • Server: DB2 のサーバー
   • Port: DB2 のポート
   • UserSSH: "true"
   • SSHAuthMode: "Public_Key"
   • SSHClientCertType: キーストアの種類
   • SSHPort: SSH のポート
   • SSHServer: SSH サーバー
   • SSHUser: SSH ユーザー
   • SSHClientCert: 秘密鍵ファイルのパス

   接続文字列形式では以下のようになります。

   Server=10.0.1.2;Port=50000;User=admin;Password=admin;Database=test;UseSSH=true;SSHAuthMode=Public_Key;SSHClientCertType=PUBLIC_KEY_FILE;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHClientCert=C:\Keys\key.pem;
5. 「作成およびテスト」をクリックして、正しくDB2 に接続できているかをテストして保存します。これで転送のデータソースとしてDB2 への接続が設定されました。

2. 同期先としてDatabricks の接続を設定

次に、DB2 のデータを書き込む先（＝同期先）として、Databricks を設定します。同じく「接続」タブを開きます。

1. 「＋接続の追加」ボタンをクリックします。
2. 「同期先」タブを選択して、リスト表示されるデータソースを選ぶか、検索バーにデータソース名を入力して、Databricks を見つけます。
3. Databricks の右側の「→」をクリックして、Databricks データベースへの接続画面を開きます。もし、Databricks のコネクタがデフォルトでCData Sync にインストールされていない場合には、ダウンロードアイコン（コネクタのアップロードアイコン）をクリックし、「ダウンロード」をクリックすると、CData Sync にコネクタがインストールされます。
4. Databricks クラスターに接続するために、必要なプロパティを以下のとおりに設定します。

   NOTE：必要なプロパティの値は、Databricks インスタンスでクラスターに移動して目的のクラスターを選択し、Advanced Options の下にあるJDBC/ODBC タブを選択することで見つけることができます。

   • Server：Databricks クラスターのサーバーのホスト名に設定します。
   • HTTPPath：Databricks クラスターのHTTP パスに設定します。
   • Token：パーソナルアクセストークンに設定します。この値は、Databricks インスタンスのユーザー設定ページに移動してPersonal access tokens タブを選択することで取得できます。
5. 「作成およびテスト」をクリックして、正しく接続できているかをテストします。
6. これで同期先としてDatabricks を設定できました。CData Sync では、Databricks のデータベース名を指定するだけで同期するDB2 に併せたテーブルスキーマを自動的に作成（CREATE TABLE）してくれます。同期データに合わせたテーブルを事前に作成するなどの面倒な手順は必要ありません。もちろん、既存テーブルにマッピングを行いデータ同期を行うことも可能です。

3. DB2 からDatabricks への転送ジョブの作成

CData Sync では、転送をジョブ単位で設定します。ジョブは、DB2 からDatabricks という単位で設定し、複数のテーブルを含むことができます。転送ジョブ設定には、「ジョブ」タブに進み、「＋ジョブを追加」ボタンをクリックします。

「ジョブを追加」画面が開き、以下を入力します：

1. 名前：ジョブの名前
2. データソース：ドロップダウンリストから先に設定したDB2 を選択
3. 同期先：先に設定したDatabricks を選択

すべてのオブジェクトを転送する場合

DB2 のすべてのオブジェクト / テーブルを転送するには、「種類」セクションで「すべて同期」を選択して、「ジョブを追加」ボタンで確定します。

作成したジョブ画面で、右上の「▷実行」ボタンをクリックするだけで、全DB2 テーブルのDatabricks への同期を行うことができます。

オブジェクトを選択して転送する場合

DB2 から特定のオブジェクト / テーブルを選択して転送を行うことが可能です。「種類」セクションでは、「標準（個別設定）」を選んでください。

次に「ジョブ」画面で、「タスク」タブをクリックし、「タスクを追加」ボタンをクリックします。

するとCData Sync で利用可能なオブジェクト / テーブルのリストが表示されるので、転送を行うオブジェクトにチェックを付けます（複数選択可）。「ジョブを追加」ボタンで確定します。

作成したジョブ画面で、「▷実行」ボタンをクリックして（もしくは各タスク毎の実行ボタンを押して）、転送ジョブを実行します。

このようにとても簡単にDB2 からDatabricks への同期を行うことができました。

CData Sync の主要な機能を試してみる：スケジューリング・差分更新・ETL

ジョブのスケジュール起動設定

CData Sync では、同期ジョブを1日に1回や15分に1回などのスケジュール起動をすることができます。ジョブ画面の「概要」タブから「スケジュール」パネルを選び、「⚙設定」ボタンをクリックします。「間隔」と同期時間の「毎時何分」を設定し、「保存」を押して設定を完了します。これでCData Sync が同期ジョブをスケジュール実行してくれます。ユーザーはダッシュボードで同期ジョブの状態をチェックするだけです。

差分更新

CData Sync では、主要なデータソースでは、差分更新が可能です。差分更新では、最後のジョブ実行時からデータソース側でデータの追加・変更があったデータだけを同期するので、転送のクエリ・通信のコストを圧倒的に抑えることが可能です。

差分更新を有効化するには、ジョブの「概要」タブから「差分更新」パネルを選び、「⚙設定」ボタンをクリックします。「開始日」と「転送間隔」を設定して、「保存」します。

SQL での取得データのカスタマイズ

CData Sync は、デフォルトではDB2 のオブジェクト / テーブルをそのままDatabricks に複製しますが、ここにSQL、またはdbt 連携でのETL 処理を組み込むことができます。テーブルカラムが多すぎる場合や、データ管理の観点から一部のカラムだけを転送したり、さらにデータの絞り込み（フィルタリング）をしたデータだけを転送することが可能です。

ジョブの「概要」タブ、「タスク」タブへと進みます。選択されたタスク（テーブル）の「▶」の左側のメニューをクリックし、「編集」を選びます。タスクの編集画面が開きます。

UI からカラムを選択する場合には、「カラム」タブから「マッピング編集」をクリックします。転送で使用しないカラムからチェックを外します。

SQL を記述して、フィルタリングなどのカスタマイズを行うには、「クエリ」タブをクリックし、REPLICATE 「テーブル名」の後に標準SQL でフィルタリングを行います。

DB2 からDatabricks へのデータ同期には、ぜひCData Sync をご利用ください

このようにノーコードで簡単にDB2 のデータをDatabricks に転送できます。データ分析、AI やノーコードツールからのデータ利用などさまざまな用途でCData Sync をご利用いただけます。30日の無償トライアルで、シンプルでパワフルなデータパイプラインを体感してください。

日本のユーザー向けにCData Sync は、UI の日本語化、ドキュメントの日本語化、日本語でのテクニカルサポートを提供しています。

CData Sync の 導入事例を併せてご覧ください。