Python でGmail 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 Gmail とpetl フレームワークを使って、Gmail 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Gmail 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。Gmail 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Gmail 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Gmail 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.gmail as mod

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

cnxn = mod.connect("User=username;Password=password;")

Gmail に接続する方法は2つあります。ログインクレデンシャルかOAuth のいずれかを選択する前に、まずGmail のアカウント設定でIMAP アクセスを有効にしてください。詳しくは、ヘルプドキュメントの「はじめに」-「Gmail への接続」を参照してください。

Authentication セクションのUser とPassword プロパティに、有効なGmail ユーザー資格情報を設定します。

あるいは、Password を指定する代わりに、OAuth 認証標準を使います。 個々のユーザーに代わってGoogle API にアクセスするには、埋め込みクレデンシャルを使用するか、独自のOAuth アプリを登録することができます。

また、OAuth を利用することで、Google Apps ドメイン内のユーザーに代わってサービスアカウントを使用して接続することができます。サービスアカウントで認証するには、アプリケーションを登録してOAuth JWT 値を取得する必要があります。

OAuth 値に加え、User を指定する必要があります。詳しくは、ヘルプドキュメントの「はじめに」を参照してください。

Gmail をクエリするSQL 文の作成

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

sql = "SELECT Subject, Size FROM Inbox WHERE From = '[email protected]'"

Gmail 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、Gmail データ を取得して、Size 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,'Size')

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

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

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

cnxn = mod.connect("User=username;Password=password;")

sql = "SELECT Subject, Size FROM Inbox WHERE From = '[email protected]'"

table1 = etl.fromdb(cnxn,sql)

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

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