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

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

cnxn = mod.connect("Server=MyServer;Port=27017;Database=test;User=test;Password=Password;")

MongoDB への接続には、Server、Database、User、Password プロパティを設定します。MongoDB コレクションにテーブルとしてアクセスするには、自動スキーマ検出を使用することができます。もちろんスキーマ定義の.rsd ファイルを編集して自分でスキーマ定義を書くことも可能です。スキーマに縛られないフリーフォーマットクエリを投げることもできます。

MongoDB をクエリするSQL 文の作成

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

sql = "SELECT borough, cuisine FROM restaurants WHERE Name = 'Morris Park Bake Shop'"

MongoDB 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、MongoDB データ を取得して、cuisine 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,'cuisine')

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

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

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

cnxn = mod.connect("Server=MyServer;Port=27017;Database=test;User=test;Password=Password;")

sql = "SELECT borough, cuisine FROM restaurants WHERE Name = 'Morris Park Bake Shop'"

table1 = etl.fromdb(cnxn,sql)

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

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