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

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

cnxn = mod.connect("User=admin;Password=admin;Database=dev;Server=examplecluster.my.us-west-2.redshift.amazonaws.com;Port=5439;")

Redshift への接続には次を設定します：

• Server: 接続するデータベースをホストしているクラスタのホスト名およびIP アドレス。
• Port: クラスタのポート。
• Database: データベース名、ブランクの場合ユーザーのデフォルトデータベースになります。
• User: ユーザー名。
• Password: ユーザーのパスワード。

Server およびPort の値はAWS の管理コンソールで取得可能です：

1. Amazon Redshift console (http://console.aws.amazon.com/redshift) を開く。
2. Clusters ページで、クラスタ名をクリック。
3. クラスタのConfiguration タブで、表示された接続文字列からクラスタのURL をコピーします。

   Redshift をクエリするSQL 文の作成

   Redshift 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'"
   

   Redshift 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、Redshift 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 Redshift を使えば、データベースを扱う場合と同感覚で、Redshift 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

   Redshift Python Connector の30日の無償トライアル をぜひダウンロードして、Redshift 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.redshift as mod
   
   cnxn = mod.connect("User=admin;Password=admin;Database=dev;Server=examplecluster.my.us-west-2.redshift.amazonaws.com;Port=5439;")
   
   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')