Python でHBase 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 ApacheHBase とpetl フレームワークを使って、HBase 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HBase 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。HBase 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HBase 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HBase 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.apachehbase as mod

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

cnxn = mod.connect("Server=127.0.0.1;Port=8080;")

Apache HBase への接続には、Port およびServer を設定します。

HBase をクエリするSQL 文の作成

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

sql = "SELECT CustomerName, Price FROM Customers WHERE ShipCity = 'New York'"

HBase 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、HBase のデータ を取得して、Price 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,'Price')

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

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

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

cnxn = mod.connect("Server=127.0.0.1;Port=8080;")

sql = "SELECT CustomerName, Price FROM Customers WHERE ShipCity = 'New York'"

table1 = etl.fromdb(cnxn,sql)

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

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