Python でGoogle Spanner のデータを変換・出力するETL 処理を作る方法

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 GoogleSpanner とpetl フレームワークを使って、Google Spanner のデータに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Google Spanner のデータ にPython から接続し、高いパフォーマンスを発揮します。Google Spanner 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Google Spanner 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Google Spanner のデータを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.googlespanner as mod

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

cnxn = mod.connect("ProjectId='project1';InstanceId='instance1';Database='db1';")

GoogleSpanner はOAuth 認証標準を利用しています。各ユーザーやドメイン内のユーザーの代わりに、CData 製品がGoogle API にアクセスすることを許可できます。詳しくは、ヘルプドキュメントの「OAuth の使用」を参照してください。

Google Spanner をクエリするSQL 文の作成

Google Spanner 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'"

Google Spanner 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、Google Spanner のデータ 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 GoogleSpanner を使えば、データベースを扱う場合と同感覚で、Google Spanner のデータ 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

Google Spanner Python Connector の30日の無償トライアル をぜひダウンロードして、Google Spanner のデータ 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.googlespanner as mod

cnxn = mod.connect("ProjectId='project1';InstanceId='instance1';Database='db1';")

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')