Extrakce dat ze strukturovaných zdrojů

ETL a ELT v Pythonu

Jake Roach

Data Engineer

Zdrojové systémy

V tomto kurzu:

Soubory CSV
Soubory Parquet
Soubory JSON
Databáze SQL

Data pocházejí také z:

API
Datová jezera
Datové sklady
Web scraping
... a mnoho dalšího!

Čtení souborů Parquet

Soubory Parquet:

Otevřený sloupcově orientovaný formát navržený pro efektivní ukládání a načítání dat
Práce podobná jako u souborů CSV

import pandas as pd

# Read the parquet file into memory
raw_stock_data = pd.read_parquet("raw_stock_data.parquet", engine="fastparquet")

¹ https://www.databricks.com/glossary/what-is-parquet

Připojení k databázím SQL

Data lze načíst z databází SQL do pandas DataFrame
Vyžaduje connection URI pro vytvoření engine a připojení k databázi

import sqlalchemy
import pandas as pd

# Connection URI: schema_identifier://username:password@host:port/db
connection_uri = "postgresql+psycopg2://repl:password@localhost:5432/market"
db_engine = sqlalchemy.create_engine(connection_uri)

# Query the SQL database
raw_stock_data = pd.read_sql("SELECT * FROM raw_stock_data LIMIT 10", db_engine)

Modularita

Oddělení logiky do funkcí

Zvyšuje čitelnost pipeline
Dodržuje princip „neopakuj se"
Usnadňuje řešení problémů

def extract_from_sql(connection_uri, query):
    # Create an engine, query data and return DataFrame
    db_engine = sqlalchemy.create_engine(connection_uri)
    return pd.read_sql(query, db_engine)

extract_from_sql("postgresql+psycopg2://.../market", "SELECT ... LIMIT 10;")

Pojďme procvičovat!

ETL a ELT v Pythonu