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

cnxn = mod.connect("Profile=C:\profiles\StackExchange.apip;ProfileSettings='APIKey=your_api_key;Site=stackoverflow';")

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

Stack Exchange API プロファイル設定

StackApps でアプリケーションを登録して、API キーを取得します。Site プロパティでは、クエリ対象の Stack Exchange サイトを指定します（例：stackoverflow）。

Stack Exchange をクエリするSQL 文の作成

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

sql = "SELECT AnswerId, CreationDate FROM Answers WHERE IsAccepted = 'true'"

Stack Exchange 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、Stack Exchange のデータ を取得して、CreationDate 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,'CreationDate')

etl.tocsv(table2,'answers_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、Stack Exchange 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

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

sql = "SELECT AnswerId, CreationDate FROM Answers WHERE IsAccepted = 'true'"

table1 = etl.fromdb(cnxn,sql)

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

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