Extragerea datelor non-tabulare

ETL și ELT în Python

Jake Roach

Data Engineer

Extragerea datelor non-tabulare

Pipeline ETL cu componenta de extragere evidențiată.

Tipuri de date non-tabulare

Majoritatea datelor produse și consumate sunt date nestructurate

Text
Audio
Imagine
Video
Spațiale
IoT

Surse de date nestructurate în curs de transformare.

¹ https://mitsloan.mit.edu/ideas-made-to-matter/tapping-power-unstructured-data

Lucrul cu API-uri și date JSON

API (Application Programming Interface)

Software plasat deasupra surselor de date
Previne interacțiunea directă cu baza de date

Un inginer de date folosind un API pentru a interacționa cu o bază de date.

JSON (JavaScript Object Notation)

Perechi cheie-valoare
Fără schemă fixă
Seamănă cu dictionarele

{
    "key": "value",
    ...
    "open": 0.121875
}

Citirea fișierelor JSON cu pandas

{
    "timestamps": [863703000, 863789400, ...],
    "open": [0.121875, 0.098438, ...],
    "close": [...],
    "volume": [...]
}

Folosește funcția .read_json()

# Read in a JSON file in the format above
raw_stock_data = pd.read_json("raw_stock_data.json", orient="columns")

¹ https://pandas.pydata.org/docs/reference/api/pandas.read_json.html

Date JSON imbricate sau nestructurate

Datele nu sunt întotdeauna pregătite pentru DataFrame

Obiecte imbricate
"Schemă" variabilă

{
    "863703000": {
        "volume": 1443120000,
        "price": {
            "close": 0.09791,
            "open": 0.12187
        }
    }, 
    "863789400": {
        ...
    }, ...
}

Citirea fișierelor JSON cu json

import json

with open("raw_stock_data.json", "r") as file:
    # Load the file into a dictionary
    raw_stock_data = json.load(file)

# Confirm the type of the raw_stock_data variable
print(type(raw_stock_data))

<class 'dict'>

Hai să exersăm!

ETL și ELT în Python