Extrakce

Introduction to Data Engineering

Vincent Vankrunkelsven

Data Engineer, DataCamp

Extrakce dat: co to znamená?

Diagram znázorňující jednoduchou fázi extrakce

Introduction to Data Engineering

Extrakce z textových souborů

Nestrukturovaná data

  • Prostý text
  • Např. kapitola z knihy

 

Call me Ishmael. Some years ago, never 
mind how long precisely, having little or
no money in my purse, and nothing particular
to interest me on shore, I thought ....

Ploché soubory

  • Řádek = záznam
  • Sloupec = atribut
  • Např. .tsv nebo .csv

 

Year,Make,Model,Price
1997,Ford,E350,3000.00
1999,Chevy,"Venture Extended Edition",4900.00
1999,Chevy,"Venture Extended Edition",5000.00
1996,Jeep,Grand Cherokee,4799.00
Introduction to Data Engineering

JSON

  • JavaScript Object Notation
  • Semistrukturovaný formát
  • Atomické typy
    • number
    • string
    • boolean
    • null
  • Složené typy
    • array
    • object
{
  "an_object": {
    "nested": [
      "one",
      "two",
      "three",
      {
        "key": "four"
      }
    ]
  }
}

import json

result = json.loads('{"key_1": "value_1", 
                      "key_2":"value_2"}')

print(result["key_1"])

value_1
Introduction to Data Engineering

Data na webu

Požadavky

Diagram znázorňující model požadavek-odpověď

Příklad

  1. Otevřeš Google
  2. Požadavek na server Google
  3. Google odpoví webovou stránkou
Introduction to Data Engineering

Data na webu přes API

  • Odesílání dat ve formátu JSON
  • API: aplikační programové rozhraní
  • Příklady
    • GitHub API
{ "login": "datacamp", "type": "Organization", "created_at": "2013-05-14T13:01:20Z" }
  • Hackernews API
import requests


response = requests.get("https://hacker-news.firebaseio.com/v0/item/16222426.json")
print(response.json())

{'by': 'neis', 'descendants': 0, 'id': 16222426, 'score': 17, 'time': 1516800333, 'title': .... }
Introduction to Data Engineering

Data v databázích

Aplikační databáze

  • Transakce
  • Vkládání nebo úpravy dat
  • OLTP
  • Orientace na řádky

Analytické databáze

  • OLAP
  • Orientace na sloupce
Introduction to Data Engineering

Extrakce z databází

Connection string/URI

postgresql://[user[:password]@][host][:port]

Použití v Pythonu

import sqlalchemy
connection_uri = "postgresql://repl:password@localhost:5432/pagila" 
db_engine = sqlalchemy.create_engine(connection_uri)


import pandas as pd
pd.read_sql("SELECT * FROM customer", db_engine)
Introduction to Data Engineering

Pojďme cvičit!

Introduction to Data Engineering

Preparing Video For Download...