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

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

cnxn = mod.connect("User='myusername';Password='mypassword';Server='http://marklogic';")

User、Password、および Server に、アカウントの認証情報と接続するサーバーのアドレスを設定します。また、REST Server Port を指定する必要があります。

MarkLogic をクエリするSQL 文の作成

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

sql = "SELECT Name, TotalDue FROM Customer WHERE Id = '1'"

MarkLogic 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、MarkLogic データ を取得して、TotalDue 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,'TotalDue')

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

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

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

cnxn = mod.connect("User='myusername';Password='mypassword';Server='http://marklogic';")

sql = "SELECT Name, TotalDue FROM Customer WHERE Id = '1'"

table1 = etl.fromdb(cnxn,sql)

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

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