Python でIBM Cloud Data Engine 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 IBMCloudDataEngine とpetl フレームワークを使って、IBM Cloud Data Engine 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IBM Cloud Data Engine 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。IBM Cloud Data Engine 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IBM Cloud Data Engine 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IBM Cloud Data Engine 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.ibmclouddataengine as mod

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

cnxn = mod.connect("Api Key=MyAPIKey;Instance CRN=myInstanceCRN;Region=myRegion;Schema=mySchema;OAuth Client Id=myOAuthClientId;OAuth Client Secret=myOAuthClientSecret;InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

IBM Cloud Data Engine は、OAuth およびHMAC 認証標準を使います。詳細はヘルプドキュメントを参照してください。

IBM Cloud Data Engine をクエリするSQL 文の作成

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

sql = "SELECT Id, Status FROM Jobs WHERE UserId = 'user@domain.com'"

IBM Cloud Data Engine 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、IBM Cloud Data Engine データ を取得して、Status 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,'Status')

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

CData Python Connector for IBMCloudDataEngine を使えば、データベースを扱う場合と同感覚で、IBM Cloud Data Engine 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

IBM Cloud Data Engine Python Connector の30日の無償トライアル をぜひダウンロードして、IBM Cloud Data Engine 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.ibmclouddataengine as mod

cnxn = mod.connect("Api Key=MyAPIKey;Instance CRN=myInstanceCRN;Region=myRegion;Schema=mySchema;OAuth Client Id=myOAuthClientId;OAuth Client Secret=myOAuthClientSecret;InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

sql = "SELECT Id, Status FROM Jobs WHERE UserId = 'user@domain.com'"

table1 = etl.fromdb(cnxn,sql)

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

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