Python でNeo4J 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 Neo4j とpetl フレームワークを使って、Neo4J 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Neo4J 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。Neo4J 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Neo4J 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Neo4J 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.neo4j as mod

接続文字列で接続を確立します。connect 関数を使って、CData Neo4J Connector からNeo4J への接続を行います

cnxn = mod.connect("Server=localhost;Port=7474;User=my_user;Password=my_password;")

Neo4j に接続するには、次の接続プロパティを設定します。

• Server：Neo4j インスタンスをホスティングしているサーバー。
• Port：Neo4j サービスが稼働しているポート。プロバイダーは、デフォルトでHTTP (7474) ポートに接続します。
• User：Neo4j インスタンスを使用しているユーザーのユーザー名。
• Password：Neo4j インスタンスを使用しているユーザーのパスワード。
• Database：Neo4j インスタンスで対象とするデータベース。デフォルトは"neo4j" です。

Neo4J をクエリするSQL 文の作成

Neo4J にはSQL でデータアクセスが可能です。ProductCategory エンティティからのデータを読み出します。

sql = "SELECT CategoryId, CategoryName FROM ProductCategory WHERE CategoryOwner = 'CData Software'"

Neo4J 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、Neo4J データ を取得して、CategoryName 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,'CategoryName')

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

CData Python Connector for Neo4j を使えば、データベースを扱う場合と同感覚で、Neo4J 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

Neo4J Python Connector の30日の無償トライアル をぜひダウンロードして、Neo4J 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.neo4j as mod

cnxn = mod.connect("Server=localhost;Port=7474;User=my_user;Password=my_password;")

sql = "SELECT CategoryId, CategoryName FROM ProductCategory WHERE CategoryOwner = 'CData Software'"

table1 = etl.fromdb(cnxn,sql)

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

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