Python でRSS データをETL

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 RSS とpetl フレームワークを使って、RSS に連携するPython アプリや、RSS 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RSS feeds 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。RSS 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RSS 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）。

RSS Feeds への接続

RSS feeds 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。

RSS とAtom フィード、およびカスタム拡張機能を備えたフィードに接続できます。フィードに接続するには、URL プロパティを設定します。セキュアなフィードにアクセスすることもできます。さまざまな認証メカニズムがサポートされています。詳しくは、ヘルプドキュメントを参照してください。

CData RSS 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RSS 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RSS 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.rss as mod

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

cnxn = mod.connect("URI=http://broadcastCorp/rss/;")

RSS をクエリするSQL 文の作成

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

sql = "SELECT Author, Pubdate FROM Latest News WHERE Category = 'US'"

RSS Feeds 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、RSS feeds を取得して、Pubdate 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,'Pubdate')

etl.tocsv(table2,'latest news_data.csv')

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

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

cnxn = mod.connect("URI=http://broadcastCorp/rss/;")

sql = "SELECT Author, Pubdate FROM Latest News WHERE Category = 'US'"

table1 = etl.fromdb(cnxn,sql)

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

etl.tocsv(table2,'latest news_data.csv')