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

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

cnxn = mod.connect("OAuthClientId=MyOAuthClientId;OAuthClientSecret=MyOAuthClientSecret;CallbackURL=http://localhost:portNumber;InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

GitHub への接続には、OAuth 2 認証標準を使います。OAuth で認証するには、アプリを作成してOAuthClientId、OAuthClientSecret、およびCallbackURL 接続プロパティを取得する必要があります。詳細はヘルプドキュメントの「はじめに」を参照してください。

GitHub をクエリするSQL 文の作成

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

sql = "SELECT Name, Email FROM Users WHERE UserLogin = 'mojombo'"

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

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

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

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

cnxn = mod.connect("OAuthClientId=MyOAuthClientId;OAuthClientSecret=MyOAuthClientSecret;CallbackURL=http://localhost:portNumber;InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

sql = "SELECT Name, Email FROM Users WHERE UserLogin = 'mojombo'"

table1 = etl.fromdb(cnxn,sql)

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

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