普段の業務で、csvを処理する事が多い。
色々なシステムから出力されるcsvは、文字コードがShift-JISだったり、UTF8だったり、UTF8のBOM付きだったり、文字コードがバラバラで、excelで文字化けせずに開けるCSVファイルと文字化けするCSVがある。
なので、excelで開くために、テキストエディタで文字コードを変更したりする。
面倒で、numbersで開いたりもする。
エンジニアといっても、excelを使いこなす事ができる訳でもなく、フィルターくらいしか使っていない。
集計も、excelの関数を覚えていないので、本当に面倒。
そのフィルターや集計結果も疑心暗鬼。
今まで、csvを使って複雑な処理をするときは、データベースにインポートしたり、nodejs、java, phpなどプログラミングツールを使ってプログラミングで処理をしていた。
treasuredataを導入してからは、s3にcsvをアップ、Embulkでcsvのインポート処理の設定を吐き出して、treasuredataにcsvインポートでデータベースのテーブルを作って、SQLでフィルターや集計をしている。
treasuredataが、schemaレスのDBなので、ほぼ何も考えず、いい感じデータベースにcsvのデータを流し込めるところがいい。
面倒なインポート設定は、Embulkが勝手に作ってくれる。s3にアップしたcsvを参照するseedファイルを作って、Embulkでインポート設定ファイルを作って、treasuredataのworkflow に食わせる。文字コードもいい感じで処理してくれる。
Embulkは、一行コマンド。
あとは、treasuredataのworkflow を実行して、csvをデータベースに流し込んで、作成されたデータベースに、SQLを実行する。
SQLの結果は、csvでダウンロードする事も出来るので、excelのフィルター的な使い方にいい。
treasuredataのSQLは、数行のテストデータでも、数万行の本番データでも同じくらいのスピードで処理してくれるのでいい。
常に本番データを使って色々試せる。
あと、treasuredataで作業すると、SQLなどが残るという事。excelで色んな関数使って、何やってるかわからなくなることがなくなる。
SQLなので、自分が書いたフィルターや集計処理の結果も安心感がある。
シェアも出来てレビューも出来る。
わからなくなったら、treasuredataに質問できる。
これは、
treasuredataのイレギュラーな使い方。
でも本当に便利。