Python でTwitter のデータを変換・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 Twitter とpetl フレームワークを使って、Twitter 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Twitter 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。Twitter 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Twitter 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Twitter 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.twitter as mod

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

cnxn = mod.connect("InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

すべてのテーブルには認証が必要です。OAuth を使用してTwitter で認証する必要があります。OAuth では認証するユーザーにブラウザでTwitter との通信を要求します。詳しくは、ヘルプドキュメントの「OAuth 認証の使用」を参照してください。

Twitter をクエリするSQL 文の作成

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

sql = "SELECT From_User_Name, Retweet_Count FROM Tweets WHERE From_User_Name = 'twitter'"

Twitter 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、Twitter のデータ を取得して、Retweet_Count 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,'Retweet_Count')

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

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

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

cnxn = mod.connect("InitiateOAuth=GETANDREFRESH;OAuthSettingsLocation=/PATH/TO/OAuthSettings.txt")")

sql = "SELECT From_User_Name, Retweet_Count FROM Tweets WHERE From_User_Name = 'twitter'"

table1 = etl.fromdb(cnxn,sql)

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

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