Hantera undantag vid inläsning av data
Ibland kan dina datapipelines kasta undantag. Dessa undantag fungerar som en form av avisering och signalerar till dataingenjören att något oväntat har inträffat. Det är viktigt att hantera sådana undantag på rätt sätt – och det är precis vad vi ska öva på i den här övningen!
Som startpunkt har pandas importerats som pd, och modulen logging har också importerats. 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 som enpandasDataFrame. - Skapa en logg på felnivå för att dokumentera misslyckandet.
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)