TreasureDataの古橋さん達が開発しているFluentdのバッチ処理版、(調べずに言っています)、であるEmbulkを動かしてみたのでメモしておきます。

環境

OS: Mac X 10.9.3
java version: "1.8.0_40"

インストール

Githubに記載している方法でインストールします。

$ curl --create-dirs -o ~/.embulk/bin/embulk -L https://bintray.com/artifact/download/embulk/maven/embulk-0.5.0.jar
$ chmod +x ~/.embulk/bin/embulk
$ echo 'export PATH="$HOME/.embulk/bin:$PATH"' >> ~/.bashrc
$ source ~/.bashrc
$ which embulk
/Users/hogehoge/.embulk/bin/embulk
$

ディレクトリを作成して、実行権限を与えて、パスを設定しています。

Examples

Githubに記載されているTrying examplesに記載されている手順を実施してみます。

example

このコマンドで例となるデータと設定ファイルを作成しているみたいですね。

$ embulk example ./try1
2015-03-05 13:50:08.074 +0900: Embulk v0.5.0
Creating ./try1 directory...
  Creating ./try1/
  Creating ./try1/csv/
  Creating ./try1/csv/sample_01.csv.gz
  Creating ./try1/example.yml

Run following subcommands to try embulk:

   1. guess ./try1/example.yml -o config.yml
   2. preview config.yml
   3. run config.yml

$

ymlとデータが作成されているっぽいですね。
まずはymlの中身を見てみます。

./try1/example.yml

in:
  type: file
  path_prefix: "/Users/hogehoge/try1/csv/sample_"
out:
  type: stdout

非常にシンプルでいいですね。

次にデータの中身を見てみます。

$ gzcat ./try1/csv/sample_01.csv.gz
id,account,time,purchase,comment
1,32864,2015-01-27 19:23:49,20150127,embulk
2,14824,2015-01-27 19:01:23,20150127,embulk jruby
3,27559,2015-01-28 02:20:02,20150128,"Embulk ""csv"" parser plugin"
4,11270,2015-01-29 11:54:36,20150129,NULL
$

CSV形式ですね。

guess

次にguessというサブコマンドを実行してみます。

$ embulk guess ./try1/example.yml -o config.yml
2015-03-05 13:55:44.984 +0900: Embulk v0.5.0
2015-03-05 13:55:45.698 +0900 [INFO] (guess): Listing local files at directory '/Users/aueno/workspace/tmp/try1/csv' filtering filename by prefix 'sample_'
2015-03-05 13:55:45.705 +0900 [INFO] (guess): Loading files [/Users/aueno/workspace/tmp/try1/csv/sample_01.csv.gz]
/Users/aueno/.embulk/bin/embulk!/embulk/guess/schema_guess.rb:81 warning: already initialized constant TRUE_STRINGS
/Users/aueno/.embulk/bin/embulk!/embulk/guess/schema_guess.rb:89 warning: already initialized constant TYPE_COALESCE
in:
  type: file
  path_prefix: /Users/hogehoge/try1/csv/sample_
  decoders:
  - {type: gzip}
  parser:
    charset: UTF-8
    newline: CRLF
    type: csv
    delimiter: ','
    quote: '"'
    escape: ''
    null_string: 'NULL'
    header_line: true
    columns:
    - {name: id, type: long}
    - {name: account, type: long}
    - {name: time, type: timestamp, format: '%Y-%m-%d %H:%M:%S'}
    - {name: purchase, type: timestamp, format: '%Y%m%d'}
    - {name: comment, type: string}
exec: {}
out: {type: stdout}

Created 'config.yml' file.
$

出力の最後の方を見るとパースをしれくれているみたいですね。
カラム名とデータの型を定義してくれているのかな。日付のフォーマットも推測してくれるのはいいですね。

作成されたconfig.ymlは以下。

config.yml

in:
  type: file
  path_prefix: /Users/aueno/workspace/tmp/try1/csv/sample_
  decoders:
  - {type: gzip}
  parser:
    charset: UTF-8
    newline: CRLF
    type: csv
    delimiter: ','
    quote: '"'
    escape: ''
    null_string: 'NULL'
    header_line: true
    columns:
    - {name: id, type: long}
    - {name: account, type: long}
    - {name: time, type: timestamp, format: '%Y-%m-%d %H:%M:%S'}
    - {name: purchase, type: timestamp, format: '%Y%m%d'}
    - {name: comment, type: string}
exec: {}
out: {type: stdout}

内容は先ほど標準出力の後半部分に出力された内容と同じ。

preview

さてguessの結果には問題なさそうだったので、previewというサブコマンドを実行してみる。

$ embulk preview config.yml
2015-03-05 14:01:35.855 +0900: Embulk v0.5.0
2015-03-05 14:01:36.529 +0900 [INFO] (preview): Listing local files at directory '/Users/aueno/workspace/tmp/try1/csv' filtering filename by prefix 'sample_'
2015-03-05 14:01:36.532 +0900 [INFO] (preview): Loading files [/Users/aueno/workspace/tmp/try1/csv/sample_01.csv.gz]
+---------+--------------+-------------------------+-------------------------+----------------------------+
| id:long | account:long |          time:timestamp |      purchase:timestamp |             comment:string |
+---------+--------------+-------------------------+-------------------------+----------------------------+
|       1 |       32,864 | 2015-01-27 19:23:49 UTC | 2015-01-27 00:00:00 UTC |                     embulk |
|       2 |       14,824 | 2015-01-27 19:01:23 UTC | 2015-01-27 00:00:00 UTC |               embulk jruby |
|       3 |       27,559 | 2015-01-28 02:20:02 UTC | 2015-01-28 00:00:00 UTC | Embulk "csv" parser plugin |
|       4 |       11,270 | 2015-01-29 11:54:36 UTC | 2015-01-29 00:00:00 UTC |                            |
+---------+--------------+-------------------------+-------------------------+----------------------------+
$

テーブル出力でわかりやすいですね。
ただUTCの時刻ではなくJSTの時刻を表示させたいと思ったのでちょっと変更します。
srcを見るとdefault_timezoneで指定できるっぽいので以下のように変更した。

$ diff config.yml config.yml.org 
9d8
<     default_timezone: Asia/Tokyo
$

設定後に再度previewコマンド実行。

$ embulk preview config.yml
2015-03-05 14:49:28.434 +0900: Embulk v0.5.0
2015-03-05 14:49:29.108 +0900 [INFO] (preview): Listing local files at directory '/Users/aueno/workspace/tmp/try1/csv' filtering filename by prefix 'sample_'
2015-03-05 14:49:29.112 +0900 [INFO] (preview): Loading files [/Users/aueno/workspace/tmp/try1/csv/sample_01.csv.gz]
+---------+--------------+-------------------------+-------------------------+----------------------------+
| id:long | account:long |          time:timestamp |      purchase:timestamp |             comment:string |
+---------+--------------+-------------------------+-------------------------+----------------------------+
|       1 |       32,864 | 2015-01-27 10:23:49 UTC | 2015-01-26 15:00:00 UTC |                     embulk |
|       2 |       14,824 | 2015-01-27 10:01:23 UTC | 2015-01-26 15:00:00 UTC |               embulk jruby |
|       3 |       27,559 | 2015-01-27 17:20:02 UTC | 2015-01-27 15:00:00 UTC | Embulk "csv" parser plugin |
|       4 |       11,270 | 2015-01-29 02:54:36 UTC | 2015-01-28 15:00:00 UTC |                            |
+---------+--------------+-------------------------+-------------------------+----------------------------+
$

JSTでは表示されなかったですが、入力データを日本時間として認識してUTCの時間に変換してくれているのでいいかと。
結局Unixタイムでは同じなので。

run

runコマンドを実行すると以下のように表示されるはずです。

$ embulk run config.yml
2015-03-05 14:53:02.995 +0900: Embulk v0.5.0
2015-03-05 14:53:04.202 +0900 [INFO] (transaction): Listing local files at directory '/Users/aueno/workspace/tmp/try1/csv' filtering filename by prefix 'sample_'
2015-03-05 14:53:04.206 +0900 [INFO] (transaction): Loading files [/Users/aueno/workspace/tmp/try1/csv/sample_01.csv.gz]
2015-03-05 14:53:04.303 +0900 [INFO] (transaction): {done:  0 / 1, running: 0}
1,32864,2015-01-27 10:23:49,20150126,embulk
2,14824,2015-01-27 10:01:23,20150126,embulk jruby
3,27559,2015-01-27 17:20:02,20150127,Embulk "csv" parser plugin
4,11270,2015-01-29 02:54:36,20150128,
2015-03-05 14:53:04.385 +0900 [INFO] (transaction): {done:  1 / 1, running: 0}
2015-03-05 14:53:04.407 +0900 [INFO] (main): Committed.
2015-03-05 14:53:04.408 +0900 [INFO] (main): Next config diff: {"in":{"last_path":"/Users/aueno/workspace/tmp/try1/csv/sample_01.csv.gz"},"out":{}}
uenoakirasurudo-no-MacBook-Pro:tmp aueno$ 
$

outのプラグインがstdoutなので上記のように出力されます。

利用可能なプラグイン

Embulkでは設定によってinput,outputを切り替えることができる柔軟な設計になっています。
利用可能なプラグインは以下のコマンドで参照することができます。

$ embulk gem list -r embulk-
2015-03-05 15:48:51.004 +0900: Embulk v0.5.0

*** REMOTE GEMS ***

embulk-decoder-commons-compress (0.3.0)
embulk-formatter-jsonl (0.1.3)
embulk-input-apache-dummy-log (0.1.0)
embulk-input-command (0.1.2)
embulk-input-gcs (0.1.1)
embulk-input-jdbc (0.3.0)
embulk-input-mysql (0.3.0)
embulk-input-pcapng-files (0.1.2)
embulk-input-postgresql (0.3.0)
embulk-input-random (0.0.2)
embulk-input-redshift (0.3.0)
embulk-input-s3 (0.1.3)
embulk-input-slack-history (0.1.1)
embulk-output-command (0.1.2)
embulk-output-elasticsearch (0.1.3)
embulk-output-jdbc (0.2.0)
embulk-output-mysql (0.2.0)
embulk-output-parquet (0.1.0)
embulk-output-postgres-json (0.2.0)
embulk-output-postgresql (0.2.0)
embulk-output-redshift (0.2.0)
embulk-parser-pcapng (0.1.0)
embulk-plugin-filter-convert (0.0.1)
embulk-plugin-filter-grep (0.0.2)
embulk-plugin-input-hbase (0.0.2 java, 0.0.1)
embulk-plugin-input-jstat (0.0.2)
embulk-plugin-input-pcapng-files (0.0.2)
embulk-plugin-input-random (0.0.2)
embulk-plugin-input-roo-excel (0.1.1)
embulk-plugin-input-sfdc-event-log-files (0.0.7)
embulk-plugin-mysql (0.0.3)
embulk-plugin-redis (0.1.5)
embulk-plugin-sqlite3 (0.0.1)
embulk-plugin-twitterstream (0.0.2)
embulk-plugin-vertica (0.0.2)
embulk-plugin-vim (0.0.2)
$

個人的にはembulk-parser-pcapngが気になりますね。
次はプラグインの利用方法について記載したいと思います。