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

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

cnxn = mod.connect("RemoteHost=MyFTPServer;")

FTP は、SFTP プロトコルを使用してSFTP サーバーとの間のファイル転送を行います。接続するにはRemoteHost を指定します。FTP はUser、Password、および公開鍵認証（SSHClientCert）を使用します。 SSHAuthMode を選択し、選択に基づいて接続値を指定します。

次の接続プロパティを設定し、ファイルシステムのリレーショナルビューをコントロールします。

• RemotePath: 現在の作業ディレクトリに設定。
• TableDepth: ビューとしてレポートするサブフォルダの深度を制御するために設定。
• FileRetrievalDepth: ファイルを再帰的に取得し、Root テーブルにリストするために設定。

SFTP をクエリするSQL 文の作成

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

sql = "SELECT Filesize, Filename FROM MyDirectory WHERE FilePath = '/documents/doc.txt'"

SFTP 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、SFTP データ を取得して、Filename 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,'Filename')

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

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

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

cnxn = mod.connect("RemoteHost=MyFTPServer;")

sql = "SELECT Filesize, Filename FROM MyDirectory WHERE FilePath = '/documents/doc.txt'"

table1 = etl.fromdb(cnxn,sql)

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

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