XML

Ноутбук, используемый в примере:

xml_example.ipynb

XML файл, используемый в примере:

books.xml

В данной статье рассматривается пример обработки данных из XML 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 XML 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 xml_example.

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

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

3. Далее мы можем создать Petl таблицу из нашего XML файла. Воспользуемся функцией Petl fromxml(). В качестве параметров мы должны указать: название XML файла; XML тег, в котором хранятся теги с интересующей нас информацией (в нашем случае это тег <row>); Python словарь, у которого в качестве ключей будут названия столбцов, которые мы хотим видеть в таблице, а в качестве значений - теги с интересующей нас информацией (в нашем случае это теги <name>, <title>, <publication> и т.д.).
   
   

   # формируем таблицу petl из XML файла
   table = etl.fromxml('books.xml', 'row', {
       'name': 'name', 
       'title': 'title', 
       'publication': 'publication', 
       'downloads':'downloads', 
       'words':'words', 
       'Last_name_letter': 'Last_name_letter'
   })

   
   Иерархия нашего XML файла:
   
   
   
   Так выглядит наша таблица:
   
   

   
   
   

4. 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('xml_example.xlsx', mode='overwrite') # экспорт в Excel файл	

   
   Мы получили Excel таблицу, которую можно загружать на платформу:
   
   

   
   
   

5. Помимо экспорта в 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.
   
   

6. 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:
   
   

   
   
   

7. 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_xml', 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.🥳