Python でGoogle Data Catalog データをETL

詳細情報をご希望ですか?

無償トライアル:

ダウンロードへ

製品の詳細情報へ:

Google Data Catalog Python Connector

Google Data Catalog データ連携用のPython コネクタライブラリ。Google Data Catalog データをpandas、SQLAlchemy、Dash、petl などの人気のPython ツールにシームレスに統合。



CData Python Connector for Google Data Catalog を使って、Python petl でGoogle Data Catalog data のETL 連携・パイプラインアプリケーションを作成。

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。CData Python Connector for Google Data Catalog とpetl フレームワークを使って、Google Data Catalog に連携するPython アプリや、Google Data Catalog データをETL することが可能です。本記事では、CData Python Connector をpetl と一緒に使い、ETL 処理を実装します。

CData Python Connector は、ビルトインされた効率的なデータプロセスにより、リアルタイムGoogle Data Catalog data データにPython からアクセスし、高いパフォーマンスと接続性を発揮します。Google Data Catalog に複雑なクエリを投げる際に、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Google Data Catalog 側に行わせ、サポートされていないSQL 処理については、組み込まれたSQL エンジンによりクライアント側で処理を行います(特にJOIN やSQL 関数など)。

Google Data Catalog Data への接続

Google Data Catalog data への連携は、RDB ソースへのアクセスと同感覚で行うことができます。必要な接続プロパティを使って接続文字列を作成します。本記事では、接続文字列をcreate_engine 関数のパラメータとして送ります。

Google Data Catalog uses the OAuth authentication standard. Authorize access to Google APIs on behalf on individual users or on behalf of users in a domain.

Before connecting, specify the following to identify the organization and project you would like to connect to:

  • OrganizationId: The ID associated with the Google Cloud Platform organization resource you would like to connect to. Find this by navigating to the cloud console.

    Click the project selection drop-down, and select your organization from the list. Then, click More -> Settings. The organization ID is displayed on this page.

  • ProjectId: The ID associated with the Google Cloud Platform project resource you would like to connect to.

    Find this by navigating to the cloud console dashboard and selecting your project from the Select from drop-down. The project ID will be present in the Project info card.

When you connect, the OAuth endpoint opens in your default browser. Log in and grant permissions to the application to completes the OAuth process. For more information, refer to the OAuth section in the Help documentation.

CData Google Data Catalog Connector をインストールしたら、次のように必要なモジュールをインストールし、Python オブジェクトでGoogle Data Catalog にアクセスします。

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Google Data Catalog 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.googledatacatalog as mod

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

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

Google Data Catalog をクエリするSQL 文の作成

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

sql = "SELECT Type, DatasetName FROM Schemas WHERE ProjectId = 'bigquery-public-data'"

Google Data Catalog Data のETL 処理

DataFrame に格納されたクエリ結果を使って、petl でExtract(取得)、Transform(加工)、Load(ロード)を組みます。この例では、Google Data Catalog data を取得して、DatasetName 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,'DatasetName')

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

CData Python Connector for Google Data Catalog を使えば、データベースを扱う場合と同感覚で、Google Data Catalog data 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。

製品の無償トライアル情報

Google Data Catalog Python Connector の30日の無償トライアル をぜひダウンロードして、Google Data Catalog data 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.googledatacatalog as mod

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

sql = "SELECT Type, DatasetName FROM Schemas WHERE ProjectId = 'bigquery-public-data'"

table1 = etl.fromdb(cnxn,sql)

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

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