Python でHDFS 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:

HDFS Python Connector

HDFS データ連携用Python コネクタライブラリ。HDFS 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 HDFS を使って、Python petl でHDFS 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 HDFS とpetl フレームワークを使って、HDFS に連携するPython アプリや、HDFS 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HDFS 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。HDFS 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HDFS 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)。

HDFS Data への接続

HDFS 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。

In order to authenticate, set the following connection properties:

  • Host: Set this value to the host of your HDFS installation.
  • Port: Set this value to the port of your HDFS installation. Default port: 50070

CData HDFS 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HDFS 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HDFS 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.hdfs as mod

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

cnxn = mod.connect("Host=sandbox-hdp.hortonworks.com;Port=50070;Path=/user/root;User=root;")

HDFS をクエリするSQL 文の作成

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

sql = "SELECT FileId, ChildrenNum FROM Files WHERE FileId = '119116'"

HDFS 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、HDFS data を取得して、ChildrenNum 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,'ChildrenNum')

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

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

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

cnxn = mod.connect("Host=sandbox-hdp.hortonworks.com;Port=50070;Path=/user/root;User=root;")

sql = "SELECT FileId, ChildrenNum FROM Files WHERE FileId = '119116'"

table1 = etl.fromdb(cnxn,sql)

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

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