Python でGoogle Cloud Storage 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 GoogleCloudStorage とpetl フレームワークを使って、Google Cloud Storage 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Google Cloud Storage 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。Google Cloud Storage 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")")

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。

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 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、Google Cloud Storage データ 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 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

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 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.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')