Python でCosmos DB 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 CosmosDB とpetl フレームワークを使って、Cosmos DB 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Cosmos DB 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。Cosmos DB 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Cosmos DB 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Cosmos DB 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.cosmosdb as mod

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

cnxn = mod.connect("AccountEndpoint=myAccountEndpoint;AccountKey=myAccountKey;")

CosmosDB 接続プロパティの取得・設定方法

SQL API を使ってCosmos DB アカウントに接続するために必要な接続文字列を取得するには、Azure Portal にログインして「Azure Cosmos DB」を選択し、自分のアカウントを選択します。「Settings」セクションで、「Connection String」をクリックして次の値を設定します。

• AccountEndpoint：この値は、Cosmos DB アカウントの「Keys」ブレードからのCosmos DB アカウントURL に設定してください。
• AccountKey：Azure ポータルで、Cosmos DB サービスに移動してAzure Cosmos DB アカウントを選択します。リソースメニューから、 「Keys」ページに移動します。「PRIMARY KEY」値を見つけ、Token をこの値に設定します。

Cosmos DB をクエリするSQL 文の作成

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

sql = "SELECT City, CompanyName FROM Customers WHERE Name = 'Morris Park Bake Shop'"

Cosmos DB 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、Cosmos DB データ を取得して、CompanyName 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,'CompanyName')

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

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

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

cnxn = mod.connect("AccountEndpoint=myAccountEndpoint;AccountKey=myAccountKey;")

sql = "SELECT City, CompanyName FROM Customers WHERE Name = 'Morris Park Bake Shop'"

table1 = etl.fromdb(cnxn,sql)

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

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