ruby - 如何在 kiba etl 脚本(kiba gem)中进行聚合转换？

Question

我想写一个 Kiba Etl 脚本，它有一个从 CSV 到 Destination CSV 的源，带有一个转换规则列表，其中第二个转换器是一个聚合，其中操作如选择名称、sum(euro) group by name

Kiba ETL 脚本文件

source CsvSource, 'users.csv', col_sep: ';', headers: true, header_converters: :symbol

transform VerifyFieldsPresence, [:name, :euro]

transform AggregateFields, { sum: :euro, group_by: :name}

transform RenameField,from: :euro, to: :total_amount

destination CsvDestination, 'result.csv', [:name, :total_amount]

用户.csv

date;euro;name
7/3/2015;10;Jack
7/3/2015;85;Jill
8/3/2015;6;Jack
8/3/2015;12;Jill
9/3/2015;99;Mack

result.csv(预期结果)

total_amount;name
16;Jack
97;Jill
99;Mack

由于 etl 转换器一次在一行上一个接一个地执行，但是我的第二个转换器行为取决于整个行集合，我无法在传递给转换方法的类中访问它。

transform AggregateFields, { sum: :euro, group_by: :name }

是否可以使用 kiba gem 实现此行为
提前致谢

Answer 1

编辑:现在是 2020 年，Kiba ETL v3 包含一种更好的方法来执行此操作。看看这篇文章 https://thibautbarrere.com/2020/03/05/new-in-kiba-etl-v3获取所有相关信息。

Kiba 作者在这里!您可以通过多种不同的方式实现这一点，主要取决于数据大小和您的实际需求。这里有几种可能性。

在 Kiba 脚本中使用变量进行聚合

require 'awesome_print'

transform do |r|
  r[:amount] = BigDecimal.new(r[:amount])
  r
end

total_amounts = Hash.new(0)

transform do |r|
  total_amounts[r[:name]] += r[:amount]
  r
end

post_process do
  # pretty print here, but you could save to a CSV too
  ap total_amounts
end

这是最简单的方法，但非常灵活。

不过，它会将您的聚合保留在内存中，因此这可能足够好，也可能不够好，具体取决于您的场景。请注意，目前 Kiba 是单线程的(但“Kiba Pro”将是多线程的)，因此暂时不需要为聚合添加锁或使用线程安全结构。

从 post_process block 调用 TextQL

另一种快速简便的聚合方法是先生成一个非聚合的 CSV 文件，然后利用 TextQl实际进行聚合，如下所示:

destination CsvSource, 'non-aggregated-output.csv', [:name, :amount]

post_process do
  query = <<SQL
    select
      name,
      /* apparently sqlite has reduced precision, round to 2 for now */
      round(sum(amount), 2) as total_amount
    from tbl group by name
SQL

  textql('non-aggregated-output.csv', query, 'aggregated-output.csv')
end

定义了以下助手:

def system!(cmd)
  raise "Failed to run command #{command}" unless system(command)
end

def textql(source_file, query, output_file)
  system! "cat #{source_file} | textql -header -output-header=true -sql \"#{query}\" > #{output_file}"
  # this one uses csvfix to pretty print the table
  system! "cat #{output_file} | csvfix ascii_table"
end

在进行计算时要注意精度。

编写内存中聚合目的地

在这里可以使用的一个有用的技巧是用类包装给定的目的地以进行聚合。这是它的样子:

class InMemoryAggregate
  def initialize(sum:, group_by:, destination:)
    @aggregate = Hash.new(0)
    @sum = sum
    @group_by = group_by
    # this relies a bit on the internals of Kiba, but not too much
    @destination = destination.shift.new(*destination)
  end

  def write(row)
    # do not write, but count here instead
    @aggregate[row[@group_by]] += row[@sum]
  end

  def close
    # use close to actually do the writing
    @aggregate.each do |k,v|
      # reformat BigDecimal additions here
      value = '%0.2f' % v
      @destination.write(@group_by => k, @sum => value)
    end
    @destination.close
  end
end

你可以这样使用:

# convert your string into an actual number
transform do |r|
  r[:amount] = BigDecimal.new(r[:amount])
  r
end

destination CsvDestination, 'non-aggregated.csv', [:name, :amount]

destination InMemoryAggregate,
  sum: :amount, group_by: :name,
  destination: [
    CsvDestination, 'aggregated.csv', [:name, :amount]
  ]

post_process do
  system!("cat aggregated.csv | csvfix ascii_table")
end

此版本的好处在于您可以将聚合器重复用于不同的目的地(例如数据库或其他任何目的地)。

请注意，这会将所有聚合保留在内存中，就像第一个版本一样。

插入具有聚合功能的商店

另一种方法(如果您的数据量很大，则特别有用)是将生成的数据发送到能够为您聚合数据的对象中。它可以是常规的 SQL 数据库、Redis 或任何更奇特的东西，然后您可以根据需要对其进行查询。

正如我所说，实现将在很大程度上取决于您的实际需求。希望您能在这里找到适合您的东西!