Python でGoogle Cloud Storage 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 GoogleCloudStorage とpetl フレームワークを使って、Google Cloud Storage に連携するPython アプリや、Google Cloud Storage 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Google Cloud Storage 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。Google Cloud Storage 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Google Cloud Storage 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）。

Google Cloud Storage Data への接続

Google Cloud Storage 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。

ユーザーアカウントでの認証

ユーザー資格情報の接続プロパティを設定することなく接続できます。InitiateOAuth をGETANDREFRESH に設定したら、接続の準備が完了です。

接続すると、Google Cloud Storage OAuth エンドポイントがデフォルトブラウザで開きます。ログインして権限を付与すると、OAuth プロセスが完了します。

サービスアカウントでの認証

サービスアカウントには、ブラウザでユーザー認証を行わないサイレント認証があります。サービスアカウントを使用して、企業全体のアクセススコープを委任することもできます。

このフローでは、OAuth アプリケーションを作成する必要があります。詳しくは、ヘルプドキュメントを参照してください。以下の接続プロパティを設定したら、接続の準備が完了です：

• InitiateOAuth: GETANDREFRESH に設定。
• OAuthJWTCertType: PFXFILE に設定。
• OAuthJWTCert: 生成した.p12 ファイルへのパスに設定。
• OAuthJWTCertPassword: .p12 ファイルのパスワードに設定。
• OAuthJWTCertSubject: 証明書ストアの最初の証明書が選ばれるように"*" に設定。
• OAuthJWTIssuer: 「サービスアカウント」セクションで「サービスアカウントの管理」をクリックし、このフィールドをサービスアカウントID フィールドに表示されているE メールアドレスに設定。
• OAuthJWTSubject: サブジェクトタイプが"enterprise" に設定されている場合はエンタープライズID に設定し、"user" に設定されている場合はアプリユーザーID に設定。
• ProjectId: 接続するプロジェクトのID に設定。

これで、サービスアカウントのOAuth フローが完了します。

CData Google Cloud Storage 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Google Cloud Storage 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Google Cloud Storage 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.googlecloudstorage as mod

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

cnxn = mod.connect("ProjectId='project1';InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

Google Cloud Storage をクエリするSQL 文の作成

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

sql = "SELECT Name, OwnerId FROM Buckets WHERE Name = 'TestBucket'"

Google Cloud Storage 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、Google Cloud Storage data を取得して、OwnerId 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,'OwnerId')

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

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

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

cnxn = mod.connect("ProjectId='project1';InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

sql = "SELECT Name, OwnerId FROM Buckets WHERE Name = 'TestBucket'"

table1 = etl.fromdb(cnxn,sql)

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

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