Python でApache Airflow のデータを変換・出力するETL 処理を作る方法

加藤龍彦
加藤龍彦
デジタルマーケティング
CData Python Connector とpetl モジュールを使って、Apache Airflow のデータを変換後にCSV ファイルに吐き出すETL 処理を実装します。



Pythonエコシステムには多くのモジュールがあり、システム構築を素早く効率的に行うことができます。本記事では、CData Python Connector for API とpetl フレームワークを使って、Apache Airflow のデータにPython から接続してデータを変換、CSV に出力するETL 変換を実装してみます。

CData Python Connector は効率的なデータ処理によりApache Airflow のデータ にPython から接続し、高いパフォーマンスを発揮します。Apache Airflow にデータをクエリする際、ドライバーはフィルタリング、集計などがサポートされている場合SQL 処理を直接Apache Airflow 側に行わせ、サポートされていないSQL 処理については、組み込みのSQL エンジンによりクライアント側で処理を行います（JOIN やSQL 関数など）。

必要なモジュールのインストール

pip で必要なモジュールおよびフレームワークをインストールします：

pip install petl
pip install pandas

Python でApache Airflow のデータをETL 処理するアプリを構築

モジュールとフレームワークをインストールしたら、ETL アプリケーションを組んでいきます。コードのスニペットは以下の通りです。フルコードは記事の末尾に付いています。

CData Connector を含むモジュールをインポートします。

import petl as etl
import pandas as pd
import cdata.api as mod

接続文字列で接続を確立します。connect 関数を使って、CData Apache Airflow Connector からApache Airflow への接続を行います 

cnxn = mod.connect("Profile=C:\profiles\ApacheAirflow.apip;AuthScheme=APIKey;ProfileSettings='APIKey=your_jwt_token;Server=http://localhost:8080';")

まず、Profile 接続プロパティをディスク上の ApacheAirflow プロファイルの場所に設定します（例：C:\profiles\ApacheAirflow.apip）。次に、ProfileSettings 接続プロパティを ApacheAirflow の接続文字列に設定します（以下を参照）。

ApacheAirflow API プロファイル設定

Apache Airflow 3 では、API 認証に JWT Bearer トークンを使用します。トークンは、Airflow Web UI の「Settings」から生成するか、Airflow CLI の airflow users create と /api/v2/auth/token エンドポイントを使って生成できます。なお、このプロファイルは /api/v2 REST API を使用する Apache Airflow 3.x を対象としています。Airflow 2.x で使われていた従来の /api/v1 エンドポイントには対応していません。

以下の接続プロパティを設定すると、接続できるようになります。

  • AuthScheme：APIKey に設定します。
  • APIKey：Apache Airflow の JWT Bearer トークンに設定します。
  • Server：Airflow インスタンスのベース URL に設定します（例：http://localhost:8080）。

Apache Airflow をクエリするSQL 文の作成

Apache Airflow にはSQL でデータアクセスが可能です。DagRuns エンティティからのデータを読み出します。 

sql = "SELECT DagRunId, State FROM DagRuns WHERE DagId = 'example_dag'"

Apache Airflow データのETL 処理

DataFrame に格納されたクエリ結果を使って、petl でETL（抽出・変換・ロード）パイプラインを組みます。この例では、Apache Airflow のデータ を取得して、State カラムでデータをソートして、CSV ファイルにデータをロードします。 

table1 = etl.fromdb(cnxn,sql)

table2 = etl.sort(table1,'State')

etl.tocsv(table2,'dagruns_data.csv')

CData Python Connector for API を使えば、データベースを扱う場合と同感覚で、Apache Airflow のデータ を扱うことができ、petl のようなETL パッケージから直接データにアクセスが可能になります。

おわりに

Apache Airflow Python Connector の30日の無償トライアル をぜひダウンロードして、Apache Airflow のデータ への接続をPython アプリやスクリプトから簡単に作成しましょう。


フルソースコード

import petl as etl
import pandas as pd
import cdata.api as mod

cnxn = mod.connect("Profile=C:\profiles\ApacheAirflow.apip;AuthScheme=APIKey;ProfileSettings='APIKey=your_jwt_token;Server=http://localhost:8080';")

sql = "SELECT DagRunId, State FROM DagRuns WHERE DagId = 'example_dag'"

table1 = etl.fromdb(cnxn,sql)

table2 = etl.sort(table1,'State')

etl.tocsv(table2,'dagruns_data.csv')

はじめる準備はできましたか？

API Driver で Apache Airflow のライブデータに接続

Apache Airflow に接続

この記事の内容

関連記事