Apache Airflow এ ইমেল থেকে ডেটা পাওয়ার জন্য ETL প্রক্রিয়া

প্রযুক্তি যতই বিকশিত হোক না কেন, পুরানো পদ্ধতির একটি স্ট্রিং সর্বদা বিকাশের পিছনে থাকে। এটি একটি মসৃণ পরিবর্তন, মানুষের কারণ, প্রযুক্তিগত চাহিদা বা অন্য কিছুর কারণে হতে পারে। ডেটা প্রক্রিয়াকরণের ক্ষেত্রে, ডেটা উত্সগুলি এই অংশে সবচেয়ে বেশি প্রকাশ করে। আমরা এর থেকে পরিত্রাণ পাওয়ার স্বপ্ন যতই দেখি না কেন, তবে এখনও পর্যন্ত ডেটার কিছু অংশ তাত্ক্ষণিক বার্তাবাহক এবং ইমেলগুলিতে প্রেরণ করা হয়, আরও প্রাচীন বিন্যাসের উল্লেখ না করে। আমি আপনাকে Apache Airflow এর বিকল্পগুলির মধ্যে একটিকে বিচ্ছিন্ন করার জন্য আমন্ত্রণ জানাচ্ছি, আপনি কীভাবে ইমেলগুলি থেকে ডেটা নিতে পারেন তা ব্যাখ্যা করে৷

প্রাগঐতিহাসিক

আন্তঃব্যক্তিক যোগাযোগ থেকে কোম্পানির মধ্যে ইন্টারঅ্যাকশনের মান পর্যন্ত অনেক ডেটা এখনও ই-মেইলের মাধ্যমে স্থানান্তরিত হয়। এটি ভাল যদি ডেটা পাওয়ার জন্য একটি ইন্টারফেস লেখা সম্ভব হয় বা অফিসে এমন লোকেদের রাখা যায় যারা এই তথ্যটি আরও সুবিধাজনক উত্সগুলিতে প্রবেশ করবে, তবে প্রায়শই এটি সম্ভব নাও হতে পারে। আমি যে নির্দিষ্ট কাজটির মুখোমুখি হয়েছিলাম তা হল কুখ্যাত সিআরএম সিস্টেমটিকে ডেটা গুদামের সাথে এবং তারপরে ওএলএপি সিস্টেমের সাথে সংযুক্ত করা। এটি ঐতিহাসিকভাবে ঘটেছে যে আমাদের কোম্পানির জন্য এই সিস্টেমের ব্যবহার ব্যবসার একটি নির্দিষ্ট এলাকায় সুবিধাজনক ছিল। অতএব, সবাই সত্যিই এই তৃতীয় পক্ষের সিস্টেম থেকে ডেটা দিয়ে কাজ করতে সক্ষম হতে চেয়েছিল। প্রথমত, অবশ্যই, একটি খোলা API থেকে ডেটা পাওয়ার সম্ভাবনা অধ্যয়ন করা হয়েছিল। দুর্ভাগ্যবশত, এপিআই সমস্ত প্রয়োজনীয় ডেটা পাওয়াকে কভার করেনি, এবং, সহজ কথায়, এটি অনেক উপায়ে আঁকাবাঁকা ছিল, এবং প্রযুক্তিগত সহায়তা আরও ব্যাপক কার্যকারিতা প্রদানের জন্য অর্ধেক পথ পূরণ করতে চায়নি বা করতে পারেনি। কিন্তু এই সিস্টেমটি পর্যায়ক্রমে আর্কাইভ আনলোড করার জন্য একটি লিঙ্ক আকারে মেলের মাধ্যমে অনুপস্থিত ডেটা পাওয়ার সুযোগ প্রদান করে।

এটি উল্লেখ করা উচিত যে এটিই একমাত্র ঘটনা নয় যেখানে ব্যবসাটি ইমেল বা তাত্ক্ষণিক মেসেঞ্জার থেকে ডেটা সংগ্রহ করতে চেয়েছিল। যাইহোক, এই ক্ষেত্রে, আমরা একটি তৃতীয় পক্ষের কোম্পানিকে প্রভাবিত করতে পারিনি যা শুধুমাত্র এইভাবে ডেটার অংশ প্রদান করে।

অ্যাপাচি এয়ারফ্লো

ETL প্রক্রিয়া তৈরি করতে, আমরা প্রায়শই Apache Airflow ব্যবহার করি। যে পাঠক এই প্রযুক্তির সাথে অপরিচিত তা আরও ভালভাবে বোঝার জন্য যে এটি প্রেক্ষাপটে এবং সাধারণভাবে কেমন দেখায়, আমি কয়েকটি পরিচায়ক বর্ণনা করব।

Apache Airflow হল একটি বিনামূল্যের প্ল্যাটফর্ম যা Python-এ ETL (Extract-Transform-Loading) প্রসেস তৈরি, এক্সিকিউট এবং নিরীক্ষণ করতে ব্যবহৃত হয়। বায়ুপ্রবাহের মূল ধারণা হল একটি নির্দেশিত অ্যাসাইক্লিক গ্রাফ, যেখানে গ্রাফের শীর্ষবিন্দুগুলি নির্দিষ্ট প্রক্রিয়া এবং গ্রাফের প্রান্তগুলি নিয়ন্ত্রণ বা তথ্যের প্রবাহ। একটি প্রক্রিয়া সহজভাবে যেকোন পাইথন ফাংশনকে কল করতে পারে, অথবা একটি ক্লাসের প্রেক্ষাপটে ক্রমানুসারে বেশ কয়েকটি ফাংশনকে কল করা থেকে আরও জটিল যুক্তি থাকতে পারে। সর্বাধিক ঘন ঘন ক্রিয়াকলাপের জন্য, ইতিমধ্যেই অনেকগুলি প্রস্তুত-তৈরি উন্নয়ন রয়েছে যা প্রক্রিয়া হিসাবে ব্যবহার করা যেতে পারে। এই ধরনের উন্নয়ন অন্তর্ভুক্ত:

• অপারেটর - এক জায়গা থেকে অন্য জায়গায় ডেটা স্থানান্তর করার জন্য, উদাহরণস্বরূপ, একটি ডাটাবেস টেবিল থেকে ডেটা গুদামে;
• সেন্সর - একটি নির্দিষ্ট ঘটনার জন্য অপেক্ষা করার জন্য এবং গ্রাফের পরবর্তী শীর্ষে নিয়ন্ত্রণের প্রবাহকে নির্দেশ করার জন্য;
• হুক - নিম্ন-স্তরের ক্রিয়াকলাপের জন্য, উদাহরণস্বরূপ, একটি ডাটাবেস টেবিল থেকে ডেটা পেতে (বিবৃতিতে ব্যবহৃত হয়);
• এবং তাই অন

এই নিবন্ধে Apache Airflow বিস্তারিতভাবে বর্ণনা করা অনুচিত হবে। সংক্ষিপ্ত ভূমিকা দেখা যেতে পারে এখানে বা এখানে.

ডেটা পাওয়ার জন্য হুক

প্রথমত, সমস্যা সমাধানের জন্য, আমাদের একটি হুক লিখতে হবে যার সাহায্যে আমরা করতে পারি:

• ইমেলের সাথে সংযোগ করুন
• সঠিক চিঠি খুঁজুন
• চিঠি থেকে তথ্য গ্রহণ.

from airflow.hooks.base_hook import BaseHook
import imaplib
import logging

class IMAPHook(BaseHook):
    def __init__(self, imap_conn_id):
        """
           IMAP hook для получения данных с электронной почты

           :param imap_conn_id:       Идентификатор подключения к почте
           :type imap_conn_id:        string
        """
        self.connection = self.get_connection(imap_conn_id)
        self.mail = None

    def authenticate(self):
        """ 
            Подключаемся к почте
        """
        mail = imaplib.IMAP4_SSL(self.connection.host)
        response, detail = mail.login(user=self.connection.login, password=self.connection.password)
        if response != "OK":
            raise AirflowException("Sign in failed")
        else:
            self.mail = mail

    def get_last_mail(self, check_seen=True, box="INBOX", condition="(UNSEEN)"):
        """
            Метод для получения идентификатора последнего письма, 
            удовлетвораяющего условиям поиска

            :param check_seen:      Отмечать последнее письмо как прочитанное
            :type check_seen:       bool
            :param box:             Наименования ящика
            :type box:              string
            :param condition:       Условия поиска писем
            :type condition:        string
        """
        self.authenticate()
        self.mail.select(mailbox=box)
        response, data = self.mail.search(None, condition)
        mail_ids = data[0].split()
        logging.info("В ящике найдены следующие письма: " + str(mail_ids))

        if not mail_ids:
            logging.info("Не найдено новых писем")
            return None

        mail_id = mail_ids[0]

        # если таких писем несколько
        if len(mail_ids) > 1:
            # отмечаем остальные прочитанными
            for id in mail_ids:
                self.mail.store(id, "+FLAGS", "\Seen")

            # возвращаем последнее
            mail_id = mail_ids[-1]

        # нужно ли отметить последнее прочитанным
        if not check_seen:
            self.mail.store(mail_id, "-FLAGS", "\Seen")

        return mail_id

যুক্তিটি হল: আমরা সংযোগ করি, সর্বশেষ সবচেয়ে প্রাসঙ্গিক চিঠিটি খুঁজে পাই, যদি অন্য থাকে তবে আমরা সেগুলি উপেক্ষা করি। এই ফাংশনটি ব্যবহার করা হয়, কারণ পরবর্তী অক্ষরগুলিতে আগেরগুলির সমস্ত ডেটা থাকে৷ যদি এটি না হয়, তাহলে আপনি সমস্ত অক্ষরের একটি অ্যারে ফেরত দিতে পারেন, বা প্রথমটি প্রক্রিয়া করতে পারেন এবং বাকিটি পরবর্তী পাসে। সাধারণভাবে, সবকিছু, সবসময় হিসাবে, টাস্ক উপর নির্ভর করে।

আমরা হুকে দুটি সহায়ক ফাংশন যোগ করি: একটি ফাইল ডাউনলোড করার জন্য এবং একটি ইমেল থেকে একটি লিঙ্ক ব্যবহার করে একটি ফাইল ডাউনলোড করার জন্য। যাইহোক, এগুলি অপারেটরে সরানো যেতে পারে, এটি এই কার্যকারিতা ব্যবহারের ফ্রিকোয়েন্সির উপর নির্ভর করে। হুকে আর কী যুক্ত করতে হবে, আবার, টাস্কের উপর নির্ভর করে: যদি চিঠিতে ফাইলগুলি অবিলম্বে প্রাপ্ত হয়, তবে আপনি চিঠিতে সংযুক্তিগুলি ডাউনলোড করতে পারেন, যদি চিঠিতে ডেটা পাওয়া যায়, তবে আপনাকে চিঠিটি পার্স করতে হবে, ইত্যাদি আমার ক্ষেত্রে, চিঠিটি আর্কাইভের একটি লিঙ্ক সহ আসে, যা আমাকে একটি নির্দিষ্ট জায়গায় রাখতে এবং পরবর্তী প্রক্রিয়াকরণ প্রক্রিয়া শুরু করতে হবে।

    def download_from_url(self, url, path, chunk_size=128):
        """
            Метод для скачивания файла

            :param url:              Адрес загрузки
            :type url:               string
            :param path:             Куда положить файл
            :type path:              string
            :param chunk_size:       По сколько байтов писать
            :type chunk_size:        int
        """
        r = requests.get(url, stream=True)
        with open(path, "wb") as fd:
            for chunk in r.iter_content(chunk_size=chunk_size):
                fd.write(chunk)

    def download_mail_href_attachment(self, mail_id, path):
        """
            Метод для скачивания файла по ссылке из письма

            :param mail_id:         Идентификатор письма
            :type mail_id:          string
            :param path:            Куда положить файл
            :type path:             string
        """
        response, data = self.mail.fetch(mail_id, "(RFC822)")
        raw_email = data[0][1]
        raw_soup = raw_email.decode().replace("r", "").replace("n", "")
        parse_soup = BeautifulSoup(raw_soup, "html.parser")
        link_text = ""

        for a in parse_soup.find_all("a", href=True, text=True):
            link_text = a["href"]

        self.download_from_url(link_text, path)

কোডটি সহজ, তাই এটির আরও ব্যাখ্যার প্রয়োজন নেই। আমি আপনাকে জাদু লাইন imap_conn_id সম্পর্কে বলব। Apache Airflow সংযোগ পরামিতি (লগইন, পাসওয়ার্ড, ঠিকানা এবং অন্যান্য পরামিতি) সঞ্চয় করে যা একটি স্ট্রিং শনাক্তকারী দ্বারা অ্যাক্সেস করা যেতে পারে। দৃশ্যত, সংযোগ ব্যবস্থাপনা এই মত দেখায়

তথ্যের জন্য অপেক্ষা করতে সেন্সর

যেহেতু আমরা ইতিমধ্যেই জানি কিভাবে মেল থেকে ডেটা সংযোগ এবং গ্রহণ করতে হয়, তাই আমরা এখন তাদের জন্য অপেক্ষা করার জন্য একটি সেন্সর লিখতে পারি। আমার ক্ষেত্রে, অবিলম্বে একটি অপারেটর লেখার জন্য কাজ করেনি যেটি ডেটা প্রক্রিয়া করবে, যদি থাকে, কারণ অন্যান্য প্রক্রিয়াগুলি মেল থেকে প্রাপ্ত ডেটার উপর ভিত্তি করে কাজ করে, যেগুলি অন্যান্য উত্স থেকে সম্পর্কিত ডেটা গ্রহণ করে (এপিআই, টেলিফোনি) , ওয়েব মেট্রিক্স, ইত্যাদি) ইত্যাদি)। আমি আপনাকে একটি উদাহরণ দেব. একটি নতুন ব্যবহারকারী সিআরএম সিস্টেমে উপস্থিত হয়েছে এবং আমরা এখনও তার UUID সম্পর্কে জানি না। তারপর, যখন SIP টেলিফোনি থেকে ডেটা গ্রহণ করার চেষ্টা করা হয়, তখন আমরা এর UUID-এর সাথে সংযুক্ত কলগুলি পাব, কিন্তু আমরা সেগুলিকে সংরক্ষণ করতে এবং সঠিকভাবে ব্যবহার করতে পারব না। এই ধরনের বিষয়ে, তথ্য নির্ভরতা মনে রাখা গুরুত্বপূর্ণ, বিশেষ করে যদি তারা বিভিন্ন উত্স থেকে হয়। এগুলি অবশ্যই, ডেটা অখণ্ডতা সংরক্ষণের জন্য অপর্যাপ্ত ব্যবস্থা, তবে কিছু ক্ষেত্রে এগুলি প্রয়োজনীয়। হ্যাঁ, এবং সম্পদ দখল করতে অলসতাও অযৌক্তিক।

এইভাবে, মেইলে নতুন তথ্য থাকলে আমাদের সেন্সর গ্রাফের পরবর্তী শীর্ষবিন্দুগুলি চালু করবে এবং পূর্ববর্তী তথ্যগুলিকে অপ্রাসঙ্গিক হিসাবে চিহ্নিত করবে।

from airflow.sensors.base_sensor_operator import BaseSensorOperator
from airflow.utils.decorators import apply_defaults
from my_plugin.hooks.imap_hook import IMAPHook

class MailSensor(BaseSensorOperator):
    @apply_defaults
    def __init__(self, conn_id, check_seen=True, box="Inbox", condition="(UNSEEN)", *args, **kwargs):
        super().__init__(*args, **kwargs)
        self.conn_id = conn_id
        self.check_seen = check_seen
        self.box = box
        self.condition = condition

    def poke(self, context):
        conn = IMAPHook(self.conn_id)
        mail_id = conn.get_last_mail(check_seen=self.check_seen, box=self.box, condition=self.condition)

        if mail_id is None:
            return False
        else:
            return True

আমরা ডেটা গ্রহণ করি এবং ব্যবহার করি

ডেটা গ্রহণ এবং প্রক্রিয়া করার জন্য, আপনি একটি পৃথক অপারেটর লিখতে পারেন, আপনি রেডিমেড ব্যবহার করতে পারেন। যেহেতু যুক্তি এখনও তুচ্ছ - চিঠি থেকে ডেটা নেওয়ার জন্য, উদাহরণস্বরূপ, আমি আদর্শ পাইথন অপারেটরের পরামর্শ দিই

from airflow.models import DAG

from airflow.operators.python_operator import PythonOperator
from airflow.sensors.my_plugin import MailSensor
from my_plugin.hooks.imap_hook import IMAPHook

start_date = datetime(2020, 4, 4)

# Стандартное конфигурирование графа
args = {
    "owner": "example",
    "start_date": start_date,
    "email": ["[email protected]"],
    "email_on_failure": False,
    "email_on_retry": False,
    "retry_delay": timedelta(minutes=15),
    "provide_context": False,
}

dag = DAG(
    dag_id="test_etl",
    default_args=args,
    schedule_interval="@hourly",
)

# Определяем сенсор
mail_check_sensor = MailSensor(
    task_id="check_new_emails",
    poke_interval=10,
    conn_id="mail_conn_id",
    timeout=10,
    soft_fail=True,
    box="my_box",
    dag=dag,
    mode="poke",
)

# Функция для получения данных из письма
def prepare_mail():
    imap_hook = IMAPHook("mail_conn_id")
    mail_id = imap_hook.get_last_mail(check_seen=True, box="my_box")
    if mail_id is None:
        raise AirflowException("Empty mailbox")

    conn.download_mail_href_attachment(mail_id, "./path.zip")

prepare_mail_data = PythonOperator(task_id="prepare_mail_data", default_args=args, dag=dag, python_callable= prepare_mail)

# Описание остальных вершин графа
...

# Задаем связь на графе
mail_check_sensor >> prepare_mail_data
prepare_data >> ...
# Описание остальных потоков управления

যাইহোক, যদি আপনার কর্পোরেট মেইলটি mail.ru-তেও থাকে, তাহলে আপনি বিষয়, প্রেরক ইত্যাদি দ্বারা চিঠিগুলি অনুসন্ধান করতে পারবেন না। 2016 সালে, তারা এটি চালু করার প্রতিশ্রুতি দিয়েছিল, কিন্তু দৃশ্যত তাদের মন পরিবর্তন করেছিল। আমি প্রয়োজনীয় অক্ষরগুলির জন্য একটি পৃথক ফোল্ডার তৈরি করে এবং মেল ওয়েব ইন্টারফেসে প্রয়োজনীয় অক্ষরের জন্য একটি ফিল্টার সেট করে এই সমস্যার সমাধান করেছি। সুতরাং, অনুসন্ধানের জন্য শুধুমাত্র প্রয়োজনীয় অক্ষর এবং শর্তাবলী, আমার ক্ষেত্রে, সহজভাবে (অদেখা) এই ফোল্ডারে প্রবেশ করুন।

সংক্ষেপে, আমাদের নিম্নলিখিত ক্রম রয়েছে: আমরা পরীক্ষা করি যে শর্তগুলি পূরণ করে এমন নতুন অক্ষর আছে কিনা, যদি থাকে তবে আমরা শেষ চিঠির লিঙ্কটি ব্যবহার করে সংরক্ষণাগারটি ডাউনলোড করি।
শেষ বিন্দুগুলির অধীনে, এটি বাদ দেওয়া হয়েছে যে এই সংরক্ষণাগারটি আনপ্যাক করা হবে, সংরক্ষণাগার থেকে ডেটা সাফ এবং প্রক্রিয়া করা হবে এবং ফলস্বরূপ, পুরো জিনিসটি ETL প্রক্রিয়ার পাইপলাইনে আরও এগিয়ে যাবে, তবে এটি ইতিমধ্যেই অতিক্রম করেছে নিবন্ধের সুযোগ। যদি এটি আকর্ষণীয় এবং দরকারী হয়ে ওঠে, তবে আমি আনন্দের সাথে Apache Airflow এর জন্য ETL সমাধান এবং তাদের অংশগুলি বর্ণনা করতে থাকব।

উত্স: www.habr.com