Python でAzure Data Catalog データを変換・出力するETL 処理を作る方法

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 AzureDataCatalog とpetl フレームワークを使って、Azure Data Catalog 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Azure Data Catalog 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。Azure Data Catalog 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Azure Data Catalog 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Azure Data Catalog 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.azuredatacatalog as mod

接続文字列で接続を確立します。connect 関数を使って、CData Azure Data Catalog Connector からAzure Data Catalog への接続を行います

cnxn = mod.connect("InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

Azure Data Catalog 接続プロパティの取得・設定方法

OAuth 認証で接続

Azure Data Catalog の認証にはOAuth を使用します。CData 製品では組込みOAuth が利用できるので、接続プロパティを設定することなく接続を試行するだけで、ブラウザ経由でAAS に認証できます。詳しい設定方法については、ヘルプドキュメントの「Azure Data Catalog への認証」セクションを参照してください。

設定は任意ですが、CatalogName プロパティを設定することでAzure Data Catalog から返されるカタログデータを明示的に指定できます。

CatalogName：Azure Data Catalog に紐づいているカタログ名に設定。空のままにすると、デフォルトのカタログが使用されます。カタログ名は、「Azure Portal」->「データカタログ」->「カタログ名」から取得できます。

Azure Data Catalog をクエリするSQL 文の作成

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

sql = "SELECT DslAddressDatabase, Type FROM Tables WHERE Name = 'FactProductInventory'"

Azure Data Catalog 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、Azure Data Catalog データ を取得して、Type 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,'Type')

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

CData Python Connector for AzureDataCatalog を使えば、データベースを扱う場合と同感覚で、Azure Data Catalog 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

Azure Data Catalog Python Connector の30日の無償トライアル をぜひダウンロードして、Azure Data Catalog 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.azuredatacatalog as mod

cnxn = mod.connect("InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

sql = "SELECT DslAddressDatabase, Type FROM Tables WHERE Name = 'FactProductInventory'"

table1 = etl.fromdb(cnxn,sql)

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

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