Python でCassandra 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 Cassandra とpetl フレームワークを使って、Cassandra 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Cassandra 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。Cassandra 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Cassandra 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Cassandra 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.cassandra as mod

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

cnxn = mod.connect("Database=MyCassandraDB;Port=7000;Server=127.0.0.1;")

Cassandra 接続プロパティの取得・設定方法

Cassandra への接続には、Server、Port、Database を接続プロパティとして設定します。追加で、内部認証を使う場合には、User、Password を接続プロパティに設定します。

Cassandra をクエリするSQL 文の作成

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

sql = "SELECT City, TotalDue FROM Customer WHERE FirstName = 'Bob'"

Cassandra 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、Cassandra データ を取得して、TotalDue 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,'TotalDue')

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

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

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

cnxn = mod.connect("Database=MyCassandraDB;Port=7000;Server=127.0.0.1;")

sql = "SELECT City, TotalDue FROM Customer WHERE FirstName = 'Bob'"

table1 = etl.fromdb(cnxn,sql)

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

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