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

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、Databox 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Databox 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。Databox 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Databox 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Databox 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 Databox Connector からDatabox への接続を行います

cnxn = mod.connect("Profile=C:\profiles\Databox.apip;AuthScheme=APIKey;ProfileSettings='APIKey=your_api_key';")

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

Databox API プロファイル設定

Databox API を使用するには、Databox アカウントでパーソナルアクセスキーを生成する必要があります。Databox のアカウント設定にある「Data Manager」から、API キー（pak_ で始まるキー）を生成してください。

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：Databox のパーソナルアクセスキーに設定します。

Databox をクエリするSQL 文の作成

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

sql = "SELECT Id, Title FROM Datasets WHERE DataSourceId = '4976164'"

Databox 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、Databox のデータ を取得して、Title 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,'Title')

etl.tocsv(table2,'datasets_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、Databox 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

Databox Python Connector の30日の無償トライアル をぜひダウンロードして、Databox 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\Databox.apip;AuthScheme=APIKey;ProfileSettings='APIKey=your_api_key';")

sql = "SELECT Id, Title FROM Datasets WHERE DataSourceId = '4976164'"

table1 = etl.fromdb(cnxn,sql)

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

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