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

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

cnxn = mod.connect("URI=C:/folder/table.parquet;")

Parquet 接続プロパティの取得・設定方法

ローカルのParquet ファイルに接続するには、URI 接続プロパティをParquet ファイルへのパスに設定してください。

Parquet をクエリするSQL 文の作成

Parquet にはSQL でデータアクセスが可能です。SampleTable_1 エンティティからのデータを読み出します。

sql = "SELECT Id, Column1 FROM SampleTable_1 WHERE Column2 = 'SAMPLE_VALUE'"

Parquet 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、Parquet データ を取得して、Column1 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,'Column1')

etl.tocsv(table2,'sampletable_1_data.csv')

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

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

cnxn = mod.connect("URI=C:/folder/table.parquet;")

sql = "SELECT Id, Column1 FROM SampleTable_1 WHERE Column2 = 'SAMPLE_VALUE'"

table1 = etl.fromdb(cnxn,sql)

table2 = etl.sort(table1,'Column1')

etl.tocsv(table2,'sampletable_1_data.csv')