Studiu de caz: Generarea unui depozit de rapoarte

Introducere în AWS Boto în Python

Maksim Pecherskiy

Data Engineer

Produs final

Pașii

Pregătirea datelor

Descărcați fișierele lunii din bucket-ul de date brute
Concatenați-le într-un singur CSV
Creați un DataFrame agregat

Pașii

Crearea raportului

Scrieți DataFrame-ul în CSV și HTML
Generați un grafic Bokeh, salvați ca HTML

Pașii

Încărcarea raportului pe un website partajabil

Creați bucket-ul gid-reports
Încărcați cele trei fișiere ale lunii în S3
Generați un fișier index.html cu lista fișierelor
Obțineți URL-ul website-ului!

Bucket de date brute

Bucket date brute

Fișiere private
CSV-uri zilnice cu solicitări din aplicație
Date brute

Bucket gid-requests

Citirea fișierelor de date brute

# Create list to hold our DataFrames
df_list = []


# Request the list of csv's from S3 with prefix; Get contents
response = s3.list_objects(
  Bucket='gid-requests', 
  Prefix='2019_jan')


# Get response contents
request_files = response['Contents']

Citirea fișierelor de date brute

# Iterate over each object
for file in request_files:
    obj = s3.get_object(Bucket='gid-requests', Key=file['Key'])


    # Read it as DataFrame
    obj_df = pd.read_csv(obj['Body'])


    # Append DataFrame to list
    df_list.append(obj_df)

Citirea fișierelor de date brute

# Concatenate all the DataFrames in the list
df = pd.concat(df_list)


# Preview the DataFrame
df.head()

Previzualizare DataFrame

Crearea rapoartelor agregate

Efectuați o agregare
df.to_csv('jan_final_report.csv')
df.to_html('jan_final_report.html')
jan_final_chart.html

Rapoarte agregate

Bucket rapoarte

Website bucket
Accesibil public
Date agregate și rapoarte HTML

Bucket rapoarte

Încărcarea CSV-ului agregat

# Upload Aggregated CSV to S3
s3.upload_file(Filename='./jan_final_report.csv', 
                      Key='2019/jan/final_report.csv', 
                      Bucket='gid-reports',
                      ExtraArgs = {'ACL': 'public-read'})

Încărcarea tabelului HTML

# Upload HTML table to S3
s3.upload_file(Filename='./jan_final_report.html', 
                      Key='2019/jan/final_report.html', 
                      Bucket='gid-reports',
                      ExtraArgs = {
                        'ContentType': 'text/html',
                        'ACL': 'public-read'})

Încărcarea graficului HTML

# Upload Aggregated Chart to S3
s3.upload_file(Filename='./jan_final_chart.html', 
                      Key='2019/jan/final_chart.html', 
                      Bucket='gid-reports',
                      ExtraArgs = {
                        'ContentType': 'text/html',
                        'ACL': 'public-read'})

Rapoarte încărcate

Crearea index.html

# List the gid-reports bucket objects starting with 2019/
r = s3.list_objects(Bucket='gid-reports', Prefix='2019/')


# Convert the response contents to DataFrame
objects_df = pd.DataFrame(r['Contents'])


# Create a column "Link" that contains website url + key
base_url = "https://gid-reports."
objects_df['Link'] = base_url + objects_df['Key']

Crearea index.html

# Write DataFrame to html
objects_df.to_html('report_listing.html', 
                   columns=['Link', 'LastModified', 'Size'],
                   render_links=True)

Scriere DF în html

Încărcarea index.html

# Upload the file to gid-reports bucket root.
s3.upload_file(
  Filename='./report_listing.html', 
  Key='index.html', 
  Bucket='gid-reports',
  ExtraArgs = {
    'ContentType': 'text/html', 
    'ACL': 'public-read'
  })

Obținerea URL-ului indexului!

URL-ul website-ului bucket *


"http://gid-reports.index.html"

Să ajustăm!

Introducere în AWS Boto în Python