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

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

cnxn = mod.connect("User=username@gmail.com;Password=password;Server=imap.gmail.com;Port=993;SMTP Server=smtp.gmail.com;SMTP Port=465;SSL Mode=EXPLICIT;Protocol=IMAP;Mailbox=Inbox;")

Authentication セクションのUser プロパティとPassword プロパティに、有効な認証情報を設定する必要があります。 E メールを取得するには、Server を指定する必要があります。E メールを送信するにはSMTPServer を指定する必要があります。

Email をクエリするSQL 文の作成

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

sql = "SELECT Mailbox, RecentMessagesCount FROM Mailboxes WHERE Mailbox = 'Spam'"

Email 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、Email データ を取得して、RecentMessagesCount 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,'RecentMessagesCount')

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

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

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

cnxn = mod.connect("User=username@gmail.com;Password=password;Server=imap.gmail.com;Port=993;SMTP Server=smtp.gmail.com;SMTP Port=465;SSL Mode=EXPLICIT;Protocol=IMAP;Mailbox=Inbox;")

sql = "SELECT Mailbox, RecentMessagesCount FROM Mailboxes WHERE Mailbox = 'Spam'"

table1 = etl.fromdb(cnxn,sql)

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

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