ノーコードでクラウド上のデータとの連携を実現。
詳細はこちら →CData
こんにちは!ウェブ担当の加藤です。マーケ関連のデータ分析や整備もやっています。
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 GoogleCloudStorage とpetl フレームワークを使って、Google Cloud Storage 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Google Cloud Storage 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。Google Cloud Storage 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Google Cloud Storage 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)。
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
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.googlecloudstorage as mod
接続文字列で接続を確立します。connect 関数を使って、CData Google Cloud Storage Connector からGoogle Cloud Storage への接続を行います
cnxn = mod.connect("ProjectId='project1';InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")
ユーザー資格情報の接続プロパティを設定することなく接続できます。InitiateOAuth をGETANDREFRESH に設定したら、接続の準備が完了です。
接続すると、Google Cloud Storage OAuth エンドポイントがデフォルトブラウザで開きます。ログインして権限を付与すると、OAuth プロセスが完了します。
サービスアカウントには、ブラウザでユーザー認証を行わないサイレント認証があります。サービスアカウントを使用して、企業全体のアクセススコープを委任することもできます。
このフローでは、OAuth アプリケーションを作成する必要があります。詳しくは、ヘルプドキュメントを参照してください。以下の接続プロパティを設定したら、接続の準備が完了です:
これで、サービスアカウントのOAuth フローが完了します。
Google Cloud Storage にはSQL でデータアクセスが可能です。Buckets エンティティからのデータを読み出します。
sql = "SELECT Name, OwnerId FROM Buckets WHERE Name = 'TestBucket'"
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、Google Cloud Storage データ を取得して、OwnerId 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,'OwnerId') etl.tocsv(table2,'buckets_data.csv')
CData Python Connector for GoogleCloudStorage を使えば、データベースを扱う場合と同感覚で、Google Cloud Storage 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。
Google Cloud Storage Python Connector の30日の無償トライアル をぜひダウンロードして、Google Cloud Storage 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。
import petl as etl import pandas as pd import cdata.googlecloudstorage as mod cnxn = mod.connect("ProjectId='project1';InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")") sql = "SELECT Name, OwnerId FROM Buckets WHERE Name = 'TestBucket'" table1 = etl.fromdb(cnxn,sql) table2 = etl.sort(table1,'OwnerId') etl.tocsv(table2,'buckets_data.csv')