Hantera undantag vid inläsning av data
Ibland kan dina datapipelines kasta ett undantag. Dessa undantag fungerar som en form av varning och låter en dataingenjör veta när något oväntat har inträffat. Det är viktigt att hantera dessa undantag på rätt sätt. I den här övningen ska vi öva på just det!
För att komma igång har pandas importerats som pd, tillsammans med modulen logging. Standardloggnivån har satts till "debug".
Den här övningen är en del av kursen
ETL och ELT i Python
Övningsinstruktioner
- Uppdatera pipelinen så att den innehåller ett
try-block, och försök läsa in data från sökvägen"sales_data.parquet". - Fånga ett
FileNotFoundErrorom filen inte kan läsas in i enpandas-DataFrame. - Skapa en logg på felnivå för att dokumentera felet.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
def extract(file_path):
return pd.read_parquet(file_path)
# Update the pipeline to include a try block
____:
# Attempt to read in the file
raw_sales_data = extract("____")
# Catch the FileNotFoundError
except ____ as file_not_found:
# Write an error-level log
logging.____(file_not_found)