Python でAmazon DynamoDB 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 AmazonDynamoDB とpetl フレームワークを使って、Amazon DynamoDB 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Amazon DynamoDB 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。Amazon DynamoDB 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Amazon DynamoDB 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Amazon DynamoDB 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.amazondynamodb as mod

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

cnxn = mod.connect("Access Key=xxx;Secret Key=xxx;Domain=amazonaws.com;Region=OREGON;")

DynamoDB 接続プロパティの取得・設定方法

Amazon DynamoDB への接続には、AccessKey、SecretKey、オプションでDomain とRegion を設定します。 AWS サービスアカウントのセキュリティクレデンシャルページでAccessKey とSecretKey を取得できます。 Region は、DynamoDB にログインしている時の左上に表示されています。

Amazon DynamoDB をクエリするSQL 文の作成

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

sql = "SELECT Industry, Revenue FROM Lead WHERE FirstName = 'Bob'"

Amazon DynamoDB 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、Amazon DynamoDB データ を取得して、Revenue 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,'Revenue')

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

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

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

cnxn = mod.connect("Access Key=xxx;Secret Key=xxx;Domain=amazonaws.com;Region=OREGON;")

sql = "SELECT Industry, Revenue FROM Lead WHERE FirstName = 'Bob'"

table1 = etl.fromdb(cnxn,sql)

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

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