Python でHugging Face 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、Hugging Face 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Hugging Face 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。Hugging Face 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Hugging Face 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Hugging Face 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 Hugging Face Connector からHugging Face への接続を行います

cnxn = mod.connect("Profile=C:\profiles\HuggingFace.apip;ProfileSettings='APIKey=hf_xxxxxxxxxxxxxxxxxxxx';")

HuggingFace Hub は、API へのアクセスを可能にするためにトークンベースの認証を使用します。この API では、HuggingFace Hub プラットフォーム上の機械学習モデル、データセット、スペース、論文、その他のリソースにアクセスできます。

API キー認証の設定

HuggingFace Hub への認証には、API Key（アクセストークン）を指定する必要があります。アクセストークンを取得するには、以下のステップで進めます：

1. https://huggingface.co で HuggingFace アカウントにログインします
2. Settings > Access Tokens に移動します
3. 「New token」をクリックして新しいアクセストークンを作成します
4. 適切な権限（read または write）を選択します
5. トークンの値をコピーします

アクセストークンを取得したら、以下の接続プロパティを設定します：

• AuthScheme：APIKey に設定します。
• APIKey：HuggingFace のアクセストークンに設定します。

接続文字列の例

Profile=C:\profiles\HuggingFace.apip;ProfileSettings='APIKey=hf_xxxxxxxxxxxxxxxxxxxx';

Hugging Face をクエリするSQL 文の作成

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

sql = "SELECT ,  FROM Collections WHERE  = ''"

Hugging Face 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、Hugging Face のデータ を取得して、 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,'')

etl.tocsv(table2,'collections_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、Hugging Face 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

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

sql = "SELECT ,  FROM Collections WHERE  = ''"

table1 = etl.fromdb(cnxn,sql)

table2 = etl.sort(table1,'')

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