Python でKafka 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 ApacheKafka とpetl フレームワークを使って、Kafka 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Kafka 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。Kafka 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Kafka 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Kafka 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.apachekafka as mod

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

cnxn = mod.connect("User=admin;Password=pass;BootStrapServers=https://localhost:9091;Topic=MyTopic;")

BootstrapServers およびTopic プロパティを設定して、Apache Kafka サーバーのアドレスと、対話するトピックを指定します。

認可メカニズム

• SASL Plain：User およびPassword プロパティを指定する必要があります。AuthScheme は'Plain' に設定します。
• SASL SSL：User およびPassword プロパティを指定する必要があります。AuthScheme は'Scram' に、UseSSL はtrue に設定します。
• SSL：SSLCert およびSSLCertPassword プロパティを指定する必要があります。UseSSL はtrue に設定します。
• Kerberos：User およびPassword プロパティを指定する必要があります。AuthScheme は'Kerberos' に設定します。

サーバー証明書を信頼する必要がある場合があります。そのような場合は、必要に応じてTrustStorePath およびTrustStorePassword を指定してください。

Kafka をクエリするSQL 文の作成

Kafka にはSQL でデータアクセスが可能です。SampleTable_1 エンティティからのデータを読み出します。

sql = "SELECT Id, Column1 FROM SampleTable_1 WHERE Column2 = '100'"

Kafka 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、Kafka データ を取得して、Column1 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,'Column1')

etl.tocsv(table2,'sampletable_1_data.csv')

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

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

cnxn = mod.connect("User=admin;Password=pass;BootStrapServers=https://localhost:9091;Topic=MyTopic;")

sql = "SELECT Id, Column1 FROM SampleTable_1 WHERE Column2 = '100'"

table1 = etl.fromdb(cnxn,sql)

table2 = etl.sort(table1,'Column1')

etl.tocsv(table2,'sampletable_1_data.csv')