データエンジニアリング領域におけるDuckDBのユースケース

「DuckDBの魅力解剖！〜現場から見る活用術とその可能性〜」の登壇資料です。
https://findy.connpass.com/event/343059/

Transcript

1. 2025/02/27 Yu Nakamura - chanyou データエンジニアリング領域における DuckDBのユースケース @chanyou0311
2. Yu Nakamura - chanyou • スタートアップでデータエンジニアとして交通データ分析基盤 の構築‧運⽤を経験 • その後、株式会社タイミーの DRE チームにジョイン データ基盤の構築‧運⽤に注⼒ • 最近はデータ基盤における Platform Engineering に関⼼があり ます • 広島在住。趣味はおうち Kubernetes クラスタ • YAPC::Hiroshima 2024 のスタッフなど
3. タイミーとは 3 ｢働きたい時間｣と｢働いてほしい時間｣を マッチングするスキマバイトサービス 従来の「求⼈サイト」でも「派遣」でもない
4. タイミーの実績 スキマ バイト No.1 ※1 ※2 [調査⽅法]インターネット調査 [調査期間]2025年1⽉31⽇〜2025年2⽉4⽇ [調査概要]スキマバイトアプリサービスの 実態調査 [調査委託先]株式会社マクロミル ※3 2024年12⽉時点 ※4 2024年12⽉時点 利⽤率 ‧リピート率 ※1 ※2 導⼊事業者数 159,000企業 ワーカー数 1,000万⼈ ※4 ※3
5. 目次 • DuckDB の特徴 • データエンジニアリング領域における DuckDB の評価 • タイミーにおけるユースケース • その他に想定されるユースケース
6. 1 DuckDB の特徴
7. DuckDB とは？ • OLAP 特化の DB Engine • SQLite のようなインプロセス型のデータベース • MIT ライセンスで C++ 実装
8. DuckDB の特徴 • シングルバイナリでセットアップが容易 • クライアントAPIが充実 • 外部データソースの読み書きに対応
9. シングルバイナリでセットアップが容易 • セットアップスクリプトを実⾏するだけ • バイナリをダウンロードしてパスを通してもよい https://duckdb.org/docs/installation/index?version=stable&environment=cli&platform=linux&download_method=direct&architecture=x86_64
10. シングルバイナリでセットアップが容易 • duckdb <データベースファイルパス> で起動できる • ファイルパスを省略すると、インメモリモードで起動する
11. クライアントAPIが充実 • CLI • C • Java • Go • Node.js • Python • R • WebAssembly 他にも Dart, Rust, Ruby などのクライアントAPIも公開されている
12. Python の場合 DataFrame と相互変換が可能 • クエリ結果を Pandas や Polars の DataFrame に変換できる • DataFrame に対して DuckDB でクエリを実⾏することも可能 https://duckdb.org/docs/clients/python/overview
13. 外部データソースの読み書きに対応 • PostgreSQL や MySQL といった RDBMS に直接クエリを実⾏できる • CSV, Parquet, Delta, Iceberg といったファイルにクエリを実⾏できる ◦ ローカル以外に S3, GCS, Blob Storage などのオブジェクトストレージに 直接クエリを実⾏できる https://duckdb.org/docs/extensions/httpfs/s3api
14. DuckDB の特徴 • シングルバイナリでセットアップが容易 • クライアントAPIが充実 • 外部データソースの読み書きに対応
15. 2 データエンジニアリング領域における DuckDB の評価
16. DuckDB の Good な点 • 🚀 ⼤量データでも⾼いパフォーマンスで実⾏できる • 🧰 幅広いデータ形式の読み込みに対応している • 💰 データ量に依存したクエリ料⾦がかからない • 🤝 dbt アダプタなど、周辺エコシステムとの親和性が⾼い
17. DuckDB の More な点 • 👮 きめ細かなアクセス制御‧監査ログの取得が難しい • 💥 DuckDB のデータベースファイルを SSoT として運⽤しようとすると、 途端に破綻する
18. 👮 きめ細かなアクセス制御‧監査ログの取得が難しい • テーブルレベル、⾏レベル、列レベルのアクセス制御が DuckDB 単体では できない • 動的なマスキングも難しい • 監査ログの取得もクライアントの設定次第で、強制が難しい
19. 💥 SSoT として運⽤しようとすると、途端に破綻する • ⽇々更新されるデータベースファイルをリモートで保持する必要がある ◦ クライアントでクエリを実⾏するには、ダウンロードが必要 ◦ 定期的に pull しないとクエリ結果が変わってしまう • 分析結果を他⼈に共有しようとすると、さらに煩雑に… ◦ ファイルを共有するか、リモートのファイルから再現する丁寧なクエリを⽤意 するか • 前者を取った場合、XXX分析結果_20250227_最新版.duckdb といったファイルが⽣ まれ、統制の効かないデータ基盤に…😱
20. データエンジニアリング領域における DuckDB • これまでの中央集権的なデータウェアハウスを完全に代替するものではない ◦ アクセス制御も監査ログも必要だし、容易なコラボレーションも推進し たい • 以下のケースでの相性がよい ◦ オブジェクトストレージへのクエリエンジン ◦ データの永続性が求められないケース
21. オブジェクトストレージへのクエリエンジン • オブジェクトストレージに Parquet や Iceberg 形式でデータを保持しておいて、 DuckDB でクエリを実⾏する • 必要に応じてクエリ結果をオブジェクトストレージに書き戻すこともできる • 類似ソリューション ◦ AWS Athena や BigQuery Omni など ▪ 🦆 クラウドにロックインされず、どこでも実⾏できる ◦ Pandas などの DataFrame ▪ 🦆 Python 実⾏環境が不要で、⼿軽に実⾏できる
22. データの永続性が求められないケース • データの前処理 • データの検証 • スクリプト内部に閉じた利⽤が想定される • スクリプト実⾏後にデータが揮発しても問題ない
23. データエンジニアリング領域における DuckDB • これまでの中央集権的なデータウェアハウスを完全に代替するものではない ◦ アクセス制御も監査ログも必要だし、容易なコラボレーションも推進し たい • 以下のケースでの相性がよい ◦ オブジェクトストレージへのクエリエンジン ◦ データの永続性が求められないケース
24. 3 タイミーにおける ユースケース
25. シチュエーション • S3 に保存された Parquet ファイルを BigQuery にロードするケース • ロードする前後のデータが完全に⼀致することを保証したい DuckDB を使って前後のデータの差分が1件もないことを検証した
26. データの⽐較⽅法 • S3 のファイルの読み込みは read_parquet() 関数ですぐ読み込める • BigQuery はロード後のテーブルを GCS に Parquet 形式でエクスポートして から read_parquet() で読み込む ◦ DuckDB から BigQuery に直接クエリできる Community Extension もあるが、⼀部のフィールドでうまく クエリできない問題があって⾒送った • データの⽐較は EXCEPT 句で実⾏できる
27. 実装イメージ 異なるデータソースでも1回のクエリで結合できて便利
28. 4 その他に想定される ユースケース
29. データの検証‧スクリプト内での利⽤ • レコードの⼀意性のチェック • テーブルの鮮度のチェック（最新レコードの⽇時と現在時刻の⽐較） dbt でも実施できるが、 dbt に依存しない⼿軽な実⾏環境として採⽤できる
30. データの前処理による料⾦コストの削減 • ⽣データをDWHにロードしてからデータを加⼯する ELT パターンが主流 ◦ ⼤規模になるにつれて Transform のクエリコストがかさみがち • DuckDB を使うと安価なコンピュータ上でデータの前処理や結合をしてから DWHにロードする構成が取れる ◦ 例）⼤量のログデータから分析対象だけWHEREで絞ってDWHにロードする ◦ 例）DWHはBI⽤のマート層だけ保持するようにして、それより前は全部DuckDB にやらせる • dbt-duckdb を使うと⽐較的容易に実現できそう
31. ひとりアナリストのデータ基盤として • データの管理と分析を1名で⾏っている場合は DuckDB の⼿軽さがフィットしそう ◦ 分析チームの⽴ち上げフェーズなど • データの管理者と分析者が分かれたり、複数⼈で分析を⾏うようになると コラボレーションのハードルが⼀気に⾼くなる • この場合、DuckDB は「爆速なExcel」といった認識で使うのが良さそう ◦ その場限りのローカル分析環境として
32. 5 まとめ
33. まとめ • DuckDB を使うと、データの置き場所や形式を問わずクエリできる ◦ 場所や形式を横断したクエリもサクッと実⾏できる • ガバナンスやコラボレーションを意識した使い⽅は現状難しい ◦ 分析⽬的で広く社内で使ってもらうのにはハードルがある • 以下のケースでの相性がよい ◦ オブジェクトストレージへのクエリエンジンとしての利⽤ ◦ データ検証のようなスクリプト内部での揮発してよい⽤途
34. https://hrmos.co/pages/timee/jobs/1682251404118319115 データ基盤を通して、プロダクトと組織の成⻑を⼀緒に⽀えましょう！ We're hiring!