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

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

Scrapfly API は API キー認証を使用します。API キーは、すべてのリクエストで key クエリパラメータとして渡されます。

API キー認証の設定

接続を作成するには、Scrapfly の API キーが必要です。API キーを取得するには、以下のステップで進めます：

1. scrapfly.io で Scrapfly アカウントにログインします。
2. Dashboard に移動して API Keys を選択します。
3. API キーをコピーします（本番環境用は scp-live-、テスト環境用は scp-test- で始まります）。

API キーを取得したら、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：Scrapfly の API キーに設定します。

接続文字列の例：

Profile=C:\profiles\Scrapfly.apip;AuthScheme=APIKey;ProfileSettings='APIKey=your_api_key';

Scrapfly をクエリするSQL 文の作成

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

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

Scrapfly 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、Scrapfly 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,'account_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、Scrapfly 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

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

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

table1 = etl.fromdb(cnxn,sql)

table2 = etl.sort(table1,'')

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