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

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

cnxn = mod.connect("Server=127.0.0.1;Port=8080;")

Presto への接続には、まずはServer およびPort を接続プロパティとして設定します。それ以外の追加項目は接続方式によって異なります。

TLS/SSL を有効化するには、UseSSL をTRUE に設定します。

LDAP で認証

LDAP で認証するには、次の接続プロパティを設定します:

• AuthScheme: LDAP に設定。
• User: LDAP で接続するユーザー名。
• Password: LDAP で接続するユーザーのパスワード。

Kerberos 認証

KERBEROS 認証を使う場合には、以下を設定します:

• AuthScheme: KERBEROS に設定。
• KerberosKDC: 接続するユーザーのKerberos Key Distribution Center (KDC) サービス。
• KerberosRealm: 接続するユーザーのKerberos Realm 。
• KerberosSPN: Kerberos Domain Controller のService Principal Name。
• KerberosKeytabFile: Kerberos principals とencrypted keys を含むKeytab file。
• User: Kerberos のユーザー。
• Password: Kerberos で認証するユーザーのパスワード。

Presto をクエリするSQL 文の作成

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

sql = "SELECT FirstName, LastName FROM Customer WHERE Id = '123456789'"

Presto 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、Presto データ を取得して、LastName 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,'LastName')

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

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

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

cnxn = mod.connect("Server=127.0.0.1;Port=8080;")

sql = "SELECT FirstName, LastName FROM Customer WHERE Id = '123456789'"

table1 = etl.fromdb(cnxn,sql)

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

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