Datenkonverter: Google Sheets zu SQL, SQL zu Google Sheets

0

Sie können einen Datenkonverter erstellen, der CSV- oder Google Sheet-Daten in SQL konvertiert. Außerdem erfahren Sie, wie Sie SQL-Daten wieder in sie umwandeln.

Datenkonverter helfen dabei, Datenbestände zwischen verschiedenen Formaten in ein erwartetes Format umzuwandeln, das Sie gerne verwenden, z. B. SQL, CSV, JSON, XML usw. Wenn Sie nach Möglichkeiten suchen, Daten zu monetarisieren, indem Sie kontaktierbare Daten wie B2B-Interessenten über eine API verkaufen oder ein SaaS. Ich glaube, dass dieser Artikel Ihnen bei der Verwaltung Ihres Datenbestands in SQL und CSV helfen kann.

In diesem Kapitel werde ich Ihnen erklären, wie Sie einen Datenkonverter erstellen können, um CSV- oder Google Sheets-Datenbestände in SQL zu konvertieren. Umgekehrt erfahren Sie auch, wie Sie SQL in CSV oder Google Sheets umwandeln. In diesem Tutorial wird SQLite3 verwendet, das normalerweise für Entwickler zum Erstellen von Anwendungen geeignet ist. Die Methodik wird mit SQL geteilt.

Inhaltsverzeichnis: Datenkonverter

Datenkonverter – CSV zu SQL

Beim Erstellen eines Datenkonverters werden 5 Sqlite3-Klassen und -Methoden sowie CSV und Pandas verwendet.

Connect() – Herstellen einer Verbindung zu einer SQLite-Datenbank

Die Funktion sqlite3 connect() gibt ein Verbindungsobjekt zurück , das wir für die Interaktion mit der in der Datei enthaltenen SQLite-Datenbank verwenden. Hier erstellen wir beispielsweise einen neuen DB-Dateinamen in b2bcontacts.DB

connection = sqlite3.connect("ceInfluencer.db")

Cursor() and Execute() – Erstellen Sie eine neue Datentabelle in der DB-Datei

Das sqlite3. Die Cursor-Klasse ist eine Instanz, mit der Sie Methoden aufrufen können, die SQLite-Anweisungen ausführen und Daten aus den Ergebnismengen der Abfragen abrufen. Sie können ein Cursor-Objekt mit der cursor() -Methode des Connection-Objekts und der Connection-Klasse erstellen.

cursor = connection.cursor()

Dann ist die sqlite3-Ausführung der Befehl zum Ausführen eines Codes oder eines Skripts, um etwas auszuführen, das Sie möchten. Hier müssen wir eine neue Tabelle mit dem Namen „Prospect“ erstellen. Innerhalb der Interessententabelle. Außerdem müssen wir den Spaltennamen hinzufügen und den Datentyp kategorisieren, der entweder Text, Ganzzahl, Gleitkomma usw. ist. Und am Anfang und am Ende der Spaltenbenennung steht jeweils ein „''“.

cursor.execute('''CREATE TABLE prospect(Category TEXT, Quality_Score TEXT, Country TEXT, B2BLead_Name TEXT, Email Contact TEXT)''')

Plus CSV und Pandas zum Einfügen der Daten in die DB-Datei

Jetzt müssen wir die B2B-Kontaktdaten, die wir bereits haben, in einer CSV-Datei generieren und das Format umwandeln, das im Handumdrehen in SQL eingespeist werden kann. Hier müssen wir den Header entfernen, da wir oben einen neuen Header in der DB-Datei erstellt haben, der in der Anwendung verwendet wird. Zuletzt müssen wir die Daten nur noch mit Pandas anhängen und mit einem Datenrahmen versehen

B2BData = []

with open("B2Bdata_Inventory.csv","r") as csv_file:

csv_reading = csv.reader(csv_file)

header = next(csv_reading)

if header != None:

for i in csv_reading:

column1 = i[0:]

B2BData.append(column1)

df = pd.DataFrame(influencerData)

Um jede Datenzeile in die DB-Datei einzufügen, müssen wir eine Schleife mit der Länge der df-Daten erstellen. Hier gibt es zwei Stellen, die wir beachten müssen. Eine davon ist die VALUES-Methode, bei der wir die Fragezeichen hinzufügen müssen. Die Gesamtzahl entspricht der Anzahl der oben erstellten Spalten.

for item in range(len(df)):

cursor.execute('''INSERT INTO influencer VALUES(?,?,?,?,?)''', df.iloc[item])

Zweitens können wir mit einer Liste von Ganzzahlen, die der Elementvariablen zugewiesen sind, diese mit df.iloc[item] in die Datenbankdatei einfügen. Das bedeutet, dass es befiehlt, jede Zeile der DF-Daten einzufügen. Wenn die df-Daten beispielsweise 100 Zeilen umfassen, würde die Schleife 100 Mal durchlaufen.

Commit () and Close ()

Mit der Commit-Methode stellen wir sicher, dass alle Änderungen in der Datenbankdatei gespeichert werden. Danach können wir das Skript schließen.

Datenkonverter

Datenkonverter – Google Sheet zu SQL

Im Vergleich zu CSV zu SQL besteht der Unterschied darin, zuerst das Google Sheet zu greifen und es mithilfe von Pandas in einen Datenrahmen zu setzen. Die restlichen Schritte sind die gleichen wie oben.

Zum Abrufen der Google Sheet-Daten können wir das Gspread-Modul verwenden

  • scope = ['https://www.googleapis.com/auth/spreadsheets','https://www.googleapis.com/auth/drive.file','https://www.googleapis.com/auth/drive']
  • creds = ServiceAccountCredentials.from_json_keyfile_name('theGoogleServiceAccountJsonFile.json', scope)
  • client = gspread.authorize(creds)
  • sh = client.open('theSheetName')
  • worksheet = sh.get_worksheet(theTabNumber)
  • vLookupValue = worksheet.get_values(theDataRange')
  • df = pd.DataFrame(vLookupValue)

Datenkonverter – SQL-zu-CSV-Konverter

Der erste Schritt besteht darin, eine Verbindung zur DB-Datei herzustellen, die Sie in eine CSV-Datei konvertieren möchten. Dann müssen wir eine Schleife erstellen, um Datenbankdateidaten aus jeder Zeile anzuhängen. Zuletzt müssen wir nur noch einen Datenrahmen erstellen und ihn in einer CSV-Datei speichern.

connection = sqlite3.connect('googleCompetitor.db')

googleData = []

data = connection.cursor()

for column in data.execute('SELECT * FROM influencer'):

googleData.append(column)

df = pd.DataFrame(googleData)

print(df)

df.to_csv('competitorTesting.csv', encoding='utf-8-sig')

SQL-zu-Google-Sheet-Konverter

Neben der Verbindung mit der Google-Tabelle und der Ausgabe der SQL-Daten müssen wir die konvertierten Daten in die zugewiesene Tabelle hochladen. Hier ist das Beispiel, wenn wir gspread verwenden.

df = pd.DataFrame(googleData)

value_list = sh.values_update("testing!A1", params={'valueInputOption': 'USER_ENTERED'},body=dict(values=df.T.reset_index().T.values.tolist()))

Vollständiges Python-Skript von Datenkonvertern zum Konvertieren von CSV in SQL, SQL in CSV, SQL in Google Sheet

Wenn Sie sich für das vollständige Python-Skript aus Kapitel 46: Datenkonverter zum Konvertieren von CSV in SQL, SQL in CSV, Google Sheets in SQL interessieren, Bitte abonnieren Sie unseren Newsletter , indem Sie die Nachricht „Kapitel 46“ hinzufügen. . Wir senden Ihnen das Skript umgehend in Ihr Postfach.

Ich wünsche Ihnen viel Spaß beim Lesen von Kapitel 46: Datenkonverter zum Konvertieren von CSV in SQL, SQL in CSV, Google Sheets in SQL. Wenn ja, unterstützen Sie uns bitte, indem Sie eine der unten aufgeführten Maßnahmen ergreifen, da dies unserem Kanal immer weiterhilft.

  • Unterstützen Sie unseren Kanal und spenden Sie über PayPal ( paypal.me/Easy2digital )
  • Abonnieren Sie meinen Kanal und aktivieren Sie die Benachrichtigungsglocke des Easy2Digital-Youtube-Kanals .
  • Folgen und liken Sie meine Easy2Digital-Facebook-Seite
  • Teilen Sie den Artikel in Ihrem sozialen Netzwerk mit dem Hashtag #easy2digital
  • Kaufen Sie Produkte mit dem Easy2Digital 10 % RABATT-Rabattcode ( Easy2DigitalNewBuyers2021)
  • Sie melden sich für unseren wöchentlichen Newsletter an, um die neuesten Artikel, Videos und Rabattcodes von Easy2Digital zu erhalten
  • Abonnieren Sie unsere monatliche Mitgliedschaft über Patreon, um exklusive Vorteile zu genießen ( www.patreon.com/louisludigital )

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert