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

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

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

FTP は、プレーンテキスト接続およびSSL/TLS 接続の両方をサポートします。FTP サーバーに接続するには、RemoteHost、User、およびPassword を指定します。SSLMode およびSSLServerCert を設定して、TSL/SSL による接続をセキュアにします。TLS/SSL を介した接続の設定について詳しくは、ヘルプドキュメントの「高度な設定」を参照してください。

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。

ストアドプロシージャ は、ファイル、のダウンロード、アップロード、およびプロトコルコマンドの送信に利用できます。 SQL を使用してサーバーと対話する方法の詳細については、ヘルプドキュメントの「データモデル」を参照してください。

FTP をクエリするSQL 文の作成

FTP 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'"

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

FTP Python Connector の30日の無償トライアル をぜひダウンロードして、FTP 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.ftp 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')