Python でAzure Data Catalog データをETL

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。CData Python Connector for AzureDataCatalog とpetl フレームワークを使って、Azure Data Catalog に連携するPython アプリや、Azure Data Catalog データをETL することが可能です。本記事では、CData Python Connector をpetl と一緒に使い、ETL 処理を実装します。

CData Python Connector は、ビルトインされた効率的なデータプロセスにより、リアルタイムAzure Data Catalog data データにPython からアクセスし、高いパフォーマンスと接続性を発揮します。Azure Data Catalog に複雑なクエリを投げる際に、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、組み込まれたSQL エンジンによりクライアント側で処理を行います（特にJOIN やSQL 関数など）。

Azure Data Catalog Data への接続

Azure Data Catalog data への連携は、RDB ソースへのアクセスと同感覚で行うことができます。必要な接続プロパティを使って接続文字列を作成します。本記事では、接続文字列をcreate_engine 関数のパラメータとして送ります。

You can optionally set the following to read the different catalog data returned from Azure Data Catalog.

CatalogName: Set this to the CatalogName associated with your Azure Data Catalog. To get your Catalog name, navigate to your Azure Portal home page > Data Catalog > Catalog Name

Connect Using OAuth Authentication

You must use OAuth to authenticate with Azure Data Catalog. OAuth requires the authenticating user to interact with Azure Data Catalog using the browser. For more information, refer to the OAuth section in the help documentation.

CData Azure Data Catalog Connector をインストールしたら、次のように必要なモジュールをインストールし、Python オブジェクトでAzure Data Catalog にアクセスします。

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 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 Data のETL 処理

DataFrame に格納されたクエリ結果を使って、petl でExtract（取得）、Transform（加工）、Load（ロード）を組みます。この例では、Azure Data Catalog data 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 data 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。

製品の無償トライアル情報

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 data 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')