![データ統合プラットフォーム Xplenty を使って、2020 年の沖縄県の潮位データを整形してから BigQuery にロードしてみた](https://devio2023-media.developers.io/wp-content/uploads/2019/12/xplenty-logo-1200x630.jpg)
データ統合プラットフォーム Xplenty を使って、2020 年の沖縄県の潮位データを整形してから BigQuery にロードしてみた
こんにちは、みかみです。
データアナリティクス事業本部に所属しています。業務ではデータ分析基盤を構築することが多々あります。データを抽出( Extract )し、分析に必要な形に変換・加工( Transform )を行い、データウェアハウスに格納( Load )する、ETL 処理がデータ分析基盤の主なお仕事です。
Xplenty では GUI 操作で直感的操作で簡単に ETL 処理が実行できるということなので、本当に簡単に実行できるのか確認してみました。
やりたいこと
- Xplenty をさわってみたい
- 2020 年の沖縄県の潮位データを BigQuery にロードしたい
- BigQuery にロードした潮位データを参照して、明日( 2020/06/13 )の最適な釣り時刻(満潮時刻)を確認したい
- 潮位データから、2020年の釣り日和(満潮時の潮位が高い日)はいつか知りたい
前提
Xplenty の実行環境は準備済みです。
また、AWS と GCP のアカウントおよび S3 と BigQuery などのリソースも準備済みです。
ロードするデータは気象庁の Web ページからいただいてきた、沖縄県の 2020 年の潮位表テキストデータです。AWS S3 に配置しました。
テキストデータの中身は以下のような感じです。
123 93 64 43 33 38 55 81109135152157152137118101 89 87 9410912614114814520 1 1ZO11 0157221414999999999999999 411 331643 8699999999999999 132112 88 66 51 47 55 72 94118138150153146132115 99 90 88 9310511913013620 1 2ZO1145153231213699999999999999 450 471744 8799999999999999 133123107 88 72 63 62 70 85105125140149150143129113 97 87 83 87 9610811920 1 3ZO1235151999999999999999999999 536 611859 8399999999999999 126126120108 95 82 75 75 82 95111128142150150142128110 93 80 74 75 84 9720 1 4ZO 032127133015199999999999999 634 742017 7399999999999999 110120125123115104 93 86 84 89100115131145153152143126105 84 68 60 61 7120 1 5ZO 212125142615499999999999999 748 842121 5999999999999999 (省略)
フォーマットは以下です。
毎時潮位データ : 1~ 72カラム 3桁×24時間(0時から23時)
年月日 : 73~ 78カラム 2桁×3
地点記号 : 79~ 80カラム 2桁英数字記号
満潮時刻・潮位 : 81~108カラム 時刻4桁(時分)、潮位3桁(cm)
干潮時刻・潮位 : 109~136カラム 時刻4桁(時分)、潮位3桁(cm)
※ 満(干)潮が予測されない場合、満(干)潮時刻を「9999」、潮位を「999」としています。
AWS S3 と BigQuery の connection を作成
Xplenty で、まずは画面上部の「Get Started」プルダウンに従って、connection を作成します。
「Object Stores」の中から「Amazon S3」を選択し、connection 名と接続先の S3 のリージョン、アクセスキー情報を入力します。
「Test Connection」で指定した S3 に接続できることが確認できたので、「Create connection」をクリック。
次にデータロード先の BigQuery の connection を作成します。
「Object Stores」の中から「Google BigQuery」を選択し、connection 名と GCP のプロジェクト ID、BigQuery の データセット ID とリージョンを入力します。
こちらも問題なく接続できることが確認できたので、「Create connection」で connection を作成しました。
なお、BigQuery の connection を作成するには、あらかじめ BigQuery 側でデータセットに Xplenty からのアクセス権を追加しておく必要があります。
以下のエントリでも詳しい手順を記載しているのでご参照ください。
package を作成
続いて package を作成します。
package 名とタイプを入力して「Create package」をクリックするだけです。
タイプにはプルダウンから「Dataflow」と「Workflow」を選択できます。「Workflow」ではタスクの依存関係を定義できるとのことですが、今回はソースデータを取得して BigQuery にロードするデータフローを作りたいため、「Dataflow」を選択しました。
「Template」は「Blank」で何も指定していないため、まずはまっさらな GUI 画面が表示されます。
「Add Component」から処理を追加していきます。
ソースデータのコンポーネントを追加
ソースデータと各種 Transform 処理、データ格納先のカテゴリに分かれていて、直感的に分かりやすい GUI です。
ソースデータは S3 から取得するので、まずは「Sources」列の中から「File Storage」を選択します。
編集画面に追加された file_storage のアイコンをクリックして、connection を選択して
バケット名、ソースファイルパス、レコードのデリミタとファイルフォーマット、どのファイルを対象とするかを指定します。
問題なく設定できていれば、ファイルからフィールドを自動検出してデータのプレビューを表示してくれます。
データ整形用のコンポーネントを追加
続いて、ファイルデータを整形するためのコンポーネントを追加して、先ほどの File Storage コンポーネントとつなぎます。
Select コンポーネントをクリックして、文字列をデータフォーマットに従って項目ごとに分割するように編集していきます。
Select コンポーネントの EXPRESSION EDITOR で、データ型のキャストやパース、日時項目のフォーマット変換や文字列操作の関数を使用することができます。マウスオーバーで各関数の処理内容や引数の説明が表示されるので、関数名を知らなくても欲しい処理を見つけることができますし、関数は TRIM
や CONCAT
など、SQL やプログラム言語などの経験のある方なら直感的に分かりやすい名前です。
ソースデータフォーマットに従って、既定の桁数ずつに文字列を分割します。
「ALIAS」欄にも入力が必要ですが、手間な場合は ALIAS 欄先頭のアイコンクリックで自動入力も可能です。
さらにもう一つ Select コンポーネントを繋いで、「年」「月」「日」それぞれ2桁ずつ(1桁の場合は半角スペース)の文字列になっている項目を、Date 型1項目にまとめる処理を追加しました。
今回はソースデータのフォーマットを変換してロードしたかっただけなので Select コンポーネントだけで処理してみましたが、他にも Sort や Filter、Window 関数を使った処理ができるコンポーネントなど、いろいろなコンポーネントがあるそうで、データ分析用途に役立ちそうです。
データロード先のコンポーネントを追加
最後に、データロード先となる「 Google BigQuery 」コンポーネントを追加します。
画面に配置したら前の Select コンポーネントとつなぎ、クリックして接続情報などを入力していきます。
conection を選択し、ロード先の BigQuery テーブル名とロードオプションを入力すると、データ項目とテーブルカラムを自動マッピングしてくれます。
Job 実行
package が作成できたので、画面上部の「Save」ボタンで保存した後、「Run job」ボタンで実行してみます。
「Choose a Cluster」で「New」ボタンをクリックし、クラスタ名を入力して「Sandbox」でクラスタを作成します。
「Choose a package」で先ほど作成した package が指定されていることを確認して「Next」
「Edit package variables」では package 実行時に使用する変数が指定できるそうですが、今回は不要なのでそのまま「Run job」
画面にポップアップが表示され、Job が実行されたことが確認できます。
「Jobs」画面から実行結果を確認してみます。
「FAILED」でした。。「View details」からエラーログをチェックします。
TypeCheckerException
とのことで、どこかのデータ型がおかしいようです。。(ふむふむ、Xplenty は Java 実装で、luigi を使っているようですねw
package 画面上部のチェックマークの「Save and validate」ボタンでチェックしてみると、date 型に変換しようとしている2番目の Select コンポーネントでバリデーションエラーが出ています。。
チェック結果ウィンドウクリックでそのままエラーになっているコンポーネントの編集画面に飛ぶことができます。
date 型変換前の文字列を +
で結合していたことが原因でした。。CONCAT
で結合するよう修正して再度チェックしてみると、今度は問題なさそうです。
もう一度 Job 実行してみます。
しばらく待っていると、ステータスが PENDING から RUNNING に変わり
あれ? また失敗した。。
エラーログ確認してみると、User does not have bigquery.jobs.create permission
とのことで、BigQuery 側の権限設定が問題のようです。。
そういえば、、ドキュメントよく読まず、共有データセットに「BigQuery データ編集者」権限で Xplenty のサービスアカウントを追加しただけでした。。データ編集者だとジョブ実行権限はありませんね。。。
- Allowing Xplenty access to my Google BigQuery dataset | Developers.IO
- サービスアカウントで BigQuery にアクセスするときに、どのロールでどんな操作が可能なのか確認してみた。 | Developers.IO
ドキュメントに倣ってプロジェクト閲覧者権限で IAM ユーザー 追加してみたのですが変わらず。。(プロジェクト閲覧者にはやはり bigquery.jobs.create
権限ありませんよね。。
共有データセット側のロールを「BigQuery 管理者」に変更してみたのですが変わらず。。(bigquery.jobs.create
権限は付いたはずなのですが。。
IAM ユーザーにも bigquery.jobs.create
権限のある「BigQuery ジョブユーザー」ロールを追加して、ようやく正常終了できました。
GCP 管理コンソールからも確認してみます。
よしよし、ちゃんとテーブル作成できてますな。
が、あれ? データ入ってない。。。
ロード前のデータを確認するため、いったん S3 にファイル出力するように package を変更して再実行してみます。
正常終了を確認後、出力ファイルを確認してみると
zero,one,two,three,four,five,six,seven,eight,nine,ten,eleven,twelve,thirteen,fourteen,fifteen,sixteen,seventeen,eighteen,nineteen,twenty,twentyOne,twentyTwo,twentyThree,yyyymmdd,locationCode,maxTime1,maxTide1,maxTime2,maxTide2,minTime1,minTide1,minTime2,minTide2 123,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, 132,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, 133,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, 126,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,
2番目以降の項目が何もありません。。( SUBSTRING
使うと指定範囲外の文字列が切り捨てられて、次の項目では使えないのかな?
悩んだ結果、正規表現を駆使して、文字列を固定長ずつ分割するよう修正しました。
再実行してみます。
今度は無事、BigQuery に全てのデータをロードすることができました。
BigQuery のデータを参照
では、BigQuery の潮位データを参照して、釣り日和を確認してみます!
まずは明日の満潮時刻から。
明日の満潮時間は 00:34 と 11:50 とのことで、ちょうどお昼ごろですね。。(沖縄梅雨明けしたし、暑そうですなぁ。。
ちなみに来週土曜日( 2020/06/20 )は?
18:55 だったらまだ明るいし、涼しくなってそうだし、ちょうどいいかな?(今週はパスして来週にしようw
さらに、今年(2020 年)一番潮位が高くなる日は?
2020/09/19 ということは、ちょうど土曜日?!(釣りスケジュール登録しとこうw
まとめ(所感)
文字列の固定長分割の方法に少し手間取りましたが、一般的に分析基盤で使用するソースデータの CSV や Parquet などのファイルフォーマットであれば、プルダウン選択で自動的にカラムマッピングしてくれます。
また、今回は Select コンポーネントしか使用しませんでしたが、Select コンポーネントだけでも文字列操作などの関数が充実しているので、やりたいことが実現できました。 他にもJOIN や WINDOW コンポーネントなど様々なコンポーネントがあるので、データ分析用途のデータ加工に便利そうです。
まったく初めてさわってみましたが、操作としては connection の作成と package の作成、Job の実行だけで、ドキュメントを読まなくても進めることができました。(ちょっとつまづいた時にドキュメントを探すくらいで大丈夫でした><v
Job 実行でエラーが発生したときなどはエラーログを確認する必要があるので、まったくプログラミングをやったことのない方には少しハードルが高いかなと感じましたが、package 作成などは本当に直感的に分かりやすいGUI 操作で完結できますし、サポートを活用すれば問題ないと思います。
さわってみて、実際に使いやすいツールだと思いました。