JSON

Ноутбук, используемый в примере:

json example.ipynb

Json файл, используемый в примере:

example.json

В данной статье рассматривается пример обработки данных из JSON файла. Данный файл содержит в себе небольшую информацию из электронной библиотеки Gutenberg.

Для обработки данных, создания таблицы и выгрузки в Excel файл будет использована библиотека Petl, т.к. она имеет более низкий порог вхождения. Но для выгрузки данных в PostgreSQL используется библиотека Pandas, т.к. в ней это реализовано более гибко и просто.

Целью этого задания является получение данных из JSON файла для выгрузки их в платформу и построения дашборда.
Пример не является шаблонным: в каждом случае задачи разнятся, и работать с данными придется по-другому.

Вот особенности данного кейса:

• Количество получаемых данных небольшое - порядка 80 строк, но для демонстрации правильного подхода все выгруженные и обработанные данные сохраняются в Excel файл и базу данных PostgreSQL. Для загрузки данных в платформу вы можете использовать любой из вариантов. Когда получаемых данных много - правильнее всего использовать запись в базу данных.

1. Создаем ноутбук, например, с названием json_example.

2. Первым блоком подключаем все необходимые нам для работы Python библиотеки.
   
   

   import petl as etl # для загрузки и обработки данных
   import json # для чтения файла json 
   import pandas as pd # для выгрузки таблицы в postgresql
   import sqlalchemy # для создания подключения к базе данных

3. Вторым блоком выгрузим данные из нашего JSON файла и запишем их в переменную text. Для загрузки данных воспользуемся методом load() модуля JSON.
   
   

   # выгружаем данные из JSON файла
   with open('example.json', 'r', encoding='utf-8') as f: 
       text = json.load(f)

   
   Теперь переменная text выглядит так:
   
   
   
   Наши данные – это список, который содержит в себе словари.
   
   

4. Как видно из скриншота, дата публикации отображается в неудобном для загрузки формате. Поэтому мы напишем функцию, которая будет приводить дату в нужный для нас формат.
   
   

   # функция для установки правильного формата дат
   def make_date(item):
       day = item['bibliography']['publication']['day']
       month = item['bibliography']['publication']['month']
       year = item['bibliography']['publication']['year']
       return f"{year:04d}-{month:02d}-{day:02d}"

   
   Функция принимает на вход вложенный словарь, записывает из него в переменные день, месяц и год, а затем возвращает эти данные в формате "Год-месяц-день".
   
   

5. Чтобы библиотека Petl смогла создать таблицу из иерархического словаря, нам нужно изменить структуру этого словаря.
   
   

   # переструктурирование словаря
   df_dict = [{
       'name': item['bibliography']['author']['name'], 
       'title': item['bibliography']['title'], 
       'publication': make_date(item),
       'downloads': item['metadata']['downloads'],
       'words': item['metrics']['statistics']['words']}
       for item in text]

   
   Каждому ключу словаря соответствует конкретное значение из первоначального словаря. Для даты публикации вызывается определенная выше функция make_date(), которой передается вложенный объект.
   
   На данном этапе переменная df_dict содержит следующую информацию:
   
   
   
   Теперь у нас есть список словарей, из которых можно с лёгкостью создать таблицу Petl.
   
   

6. Чтобы создать таблицу воспользуемся методом fromdicts() библиотеки Petl.
   
   

   table = etl.fromdicts(df_dict) # создание таблицы petl

   
   Так выглядит наша таблица:
   
   
   
   

7. Добавим в таблицу столбец с первой буквой фамилии автора, чтобы можно было фильтровать авторов по алфавиту на дашборде. Для этого мы воспользуемся методом addfield() библиотеки Petl. В качестве параметров, мы передаем методу переменную с имеющейся таблицей, название нового столбца, значение нового столбца.  В качестве значения, которые нужно добавить в столбец, мы передаем анонимную функцию (лямбда выражение). Эта функция будет проходить по столбцу 'name', брать оттуда каждое значение и записывать первую букву этого значения в новый столбец.
   
   

   table = etl.addfield(table, 'Last_name_letter', lambda x: x['name'][0]) # добавление столбца с первой буквой фамилии

   
   В таблице появился новый столбец 'Last_name_letter':
   
   
   
   

8. Мы можем экспортировать нашу таблицу в Excel файл для дальнейшей загрузки на платформу. Для этого воспользуемся методом toxlsx() библиотеки Petl. В качестве параметров передаем методу название Excel файла и флаг mode='overwrite', который указывает, что файл будет перезаписываться при повторном запуске кода.
   
   

   table.toxlsx('example.xlsx', mode='overwrite') # экспорт в Excel файл

   Мы получили Excel таблицу, которую можно загружать на платформу:
   
   

   
   
   

9. Помимо экспорта а Excel продемонстрируем подход с сохранением данных в PostgreSQL. Установим подключение к базе данных с помощью метода create_engine() библиотеки Sqlachemy.
   
   

   engine = sqlalchemy.create_engine('postgresql://{user}:{user_password}@{url}:{port}/{database_name}') # подключение к базе данных

   
   Где {user} - имя пользователя базы данных, {user_password} - пароль, {url} - адрес базы данных, {port} - порт, {database_name} - название базы данных, в которой будет создана таблица.
   
   

10. Далее создадим объект DataFrame библиотеки Pandas из нашей таблицы Petl. Воспользуемся методом DataFrame() и укажем ему, что названия колонок - это table[0], а значения - это срез от первого элемента таблицы Petl до последнего table[1:].
    
    

    df = pd.DataFrame(columns=table[0], data=table[1:]) # создание DataFrame из petl-таблицы

    
    Получим таблицу Pandas:
    
    

    
    
    

11. Теперь экспортируем таблицу в базу данных PostgreSQL с помощью метода to_sql() библиотеки Pandas. В параметрах передаем название таблицы, переменную подключения engine, которую определили выше, флаги index=False и if_exists='replace', и словарь с типами данных для столбцов. Флаг index=False говорит, что не нужно создавать столбец с индексами. Флаг if_exists='replace' указывает, что таблицу нужно перезаписать, если она уже существует. В словаре dtype мы указываем название столбца в качестве ключа, а в качестве значения указывается тип данных библиотеки Sqlalchemy и его длина. Типы данных можно посмотреть тут.
    
    Например, для столбца ‘name’ мы укажем тип данных VARCHAR с длинной 50. Указывается такая длина, т.к. в нашем примере имени автора не будет больше 50-ти символов.
    
    

    # экспорт в базу данных
    df.to_sql('books_json', engine, index=False, if_exists='replace', dtype={
        'name': sqlalchemy.VARCHAR(50),
        'title': sqlalchemy.VARCHAR(255),
        'downloads': sqlalchemy.Integer(),
        'words': sqlalchemy.Integer(),
        'publication': sqlalchemy.Date(),
        'Last_name_letter': sqlalchemy.CHAR()
    })

Мы получили таблицу Excel и таблицу в базе данных PostgreSQL.

Excel таблица:

Таблица в базе данных:

Где 1 - это типы данных столбцов, 2 - данные таблицы.

Так выглядит дашборд, построенный из этих данных:

Полученные файлы можно брать и загружать в платформу через стандартный загрузчик. На этом работа в ViXtract завершена.🥳