Python でImpala 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 ApacheImpala とpetl フレームワークを使って、Impala 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Impala 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。Impala 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Impala 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Impala 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.apacheimpala as mod

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

cnxn = mod.connect("Server=127.0.0.1;Port=21050;")

Apache Impala に接続するには、Server、Port、およびProtocolVersion を設定してください。オプションでデフォルトのDatabase を指定することもできます。 NOSASL、LDAP、またはKerberos といった別の方法で接続するには、オンラインのヘルプドキュメントを参照してください。

Impala をクエリするSQL 文の作成

Impala 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 City, CompanyName FROM Customers WHERE Country = 'US'"

Impala 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、Impala データ を取得して、CompanyName 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,'CompanyName')

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

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

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

cnxn = mod.connect("Server=127.0.0.1;Port=21050;")

sql = "SELECT City, CompanyName FROM Customers WHERE Country = 'US'"

table1 = etl.fromdb(cnxn,sql)

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

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