Python でBigQuery 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 GoogleBigQuery とpetl フレームワークを使って、BigQuery 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BigQuery 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。BigQuery 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BigQuery 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BigQuery 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.googlebigquery as mod

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

cnxn = mod.connect("DataSetId=MyDataSetId;ProjectId=MyProjectId;InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

BigQuery 接続プロパティの取得・設定方法

Google BigQuery はOAuth 認証標準を使用します。個々のユーザーとしてGoogle API にアクセスするには、組み込みクレデンシャルを使うか、OAuth アプリを作成します。

OAuth では、Google Apps ドメインのユーザーとしてサービスアカウントを使ってアクセスすることもできます。サービスカウントでの認証では、OAuth JWT を取得するためのアプリケーションを登録する必要があります。

OAuth 値に加え、DatasetId、ProjectId を設定する必要があります。詳細はヘルプドキュメントの「はじめに」を参照してください。

BigQuery をクエリするSQL 文の作成

BigQuery 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 OrderName, Freight FROM Orders WHERE ShipCity = 'New York'"

BigQuery 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、BigQuery データ を取得して、Freight 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,'Freight')

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

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

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

cnxn = mod.connect("DataSetId=MyDataSetId;ProjectId=MyProjectId;InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

sql = "SELECT OrderName, Freight FROM Orders WHERE ShipCity = 'New York'"

table1 = etl.fromdb(cnxn,sql)

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

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