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

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

cnxn = mod.connect("Host=sandbox-hdp.hortonworks.com;Port=50070;Path=/user/root;User=root;")

HDFS 接続プロパティの取得・設定方法

HDFS への認証には、次の接続プロパティを設定します。

• Host：HDFS インスタンスのホストに設定してください。
• Port: HDFS インスタンスのポートに設定してください。デフォルトのポートは"50070" です。

HDFS をクエリするSQL 文の作成

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

sql = "SELECT FileId, ChildrenNum FROM Files WHERE FileId = '119116'"

HDFS 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、HDFS データ を取得して、ChildrenNum 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,'ChildrenNum')

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

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

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

cnxn = mod.connect("Host=sandbox-hdp.hortonworks.com;Port=50070;Path=/user/root;User=root;")

sql = "SELECT FileId, ChildrenNum FROM Files WHERE FileId = '119116'"

table1 = etl.fromdb(cnxn,sql)

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

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