Python でRSS 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 RSS とpetl フレームワークを使って、RSS 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RSS feeds にPython から接続し、高いパフォーマンスを発揮します。RSS 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 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。

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ETL（抽出・変換・ロード）パイプラインを組みます。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。

おわりに

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')