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

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

cnxn = mod.connect("User=postgres;Password=admin;Database=postgres;Server=127.0.0.1;Port=5432;")

PostgreSQL への接続には、Server、Port（デフォルトは5432）、Database、およびUser、Password のプロパティを設定します。Database プロパティが設定されない場合には、User のデフォルトデータベースに接続します。

パスワード方式によるSSH 接続

パスワード方式によるSSH接続時に必要なプロパティ一覧を以下に示します。

• User: PostgreSQL のユーザ
• Password: PostgreSQL のパスワード
• Database: PostgreSQL の接続先データベース
• Server: PostgreSQL のサーバー
• Port: PostgreSQL のポート
• UserSSH: "true"
• SSHAuthMode: "Password"
• SSHPort: SSH のポート
• SSHServer: SSH サーバー
• SSHUser: SSH ユーザー
• SSHPassword: SSH パスワード

接続文字列形式では以下のようになります。

公開鍵認証方式方式によるSSH 接続

公開鍵認証によるSSH接続時に必要なプロパティ一覧を以下に示します。

• User: PostgreSQL のユーザ
• Password: PostgreSQL のパスワード
• Database: PostgreSQL の接続先データベース
• Server: PostgreSQL のサーバー
• Port: PostgreSQL のポート
• UserSSH: "true"
• SSHAuthMode: "Public_Key"
• SSHClientCertType: キーストアの種類
• SSHPort: SSH のポート
• SSHServer: SSH サーバー
• SSHUser: SSH ユーザー
• SSHClientCert: 秘密鍵ファイルのパス

接続文字列形式では以下のようになります。

PostgreSQL をクエリするSQL 文の作成

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

sql = "SELECT ShipName, ShipCity FROM Orders WHERE ShipCountry = 'USA'"

PostgreSQL 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、PostgreSQL データ を取得して、ShipCity 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,'ShipCity')

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

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

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

cnxn = mod.connect("User=postgres;Password=admin;Database=postgres;Server=127.0.0.1;Port=5432;")

sql = "SELECT ShipName, ShipCity FROM Orders WHERE ShipCountry = 'USA'"

table1 = etl.fromdb(cnxn,sql)

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

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