અપાચે એરફ્લોમાં ઈમેલમાંથી ડેટા મેળવવા માટે ETL પ્રક્રિયા

ભલે ગમે તેટલી ટેક્નોલોજીનો વિકાસ થાય, જૂના અભિગમોનો દોર હંમેશા વિકાસની પાછળ રહે છે. આ એક સરળ સંક્રમણ, માનવીય પરિબળો, તકનીકી જરૂરિયાતો અથવા અન્ય કંઈકને કારણે હોઈ શકે છે. ડેટા પ્રોસેસિંગના ક્ષેત્રમાં, ડેટા સ્ત્રોતો આ ભાગમાં સૌથી વધુ છતી કરે છે. ભલે આપણે આમાંથી છુટકારો મેળવવાનું કેટલું સપનું જોતા હોઈએ, પરંતુ અત્યાર સુધી ડેટાનો એક ભાગ ઇન્સ્ટન્ટ મેસેન્જર્સ અને ઈમેઈલમાં મોકલવામાં આવે છે, વધુ પ્રાચીન ફોર્મેટનો ઉલ્લેખ ન કરવો. હું તમને અપાચે એરફ્લો માટેના વિકલ્પોમાંથી એકને ડિસએસેમ્બલ કરવા માટે આમંત્રિત કરું છું, તમે ઇમેઇલ્સમાંથી ડેટા કેવી રીતે લઈ શકો છો તે સમજાવે છે.

પ્રાગૈતિહાસિક

આંતરવ્યક્તિત્વ સંચારથી માંડીને કંપનીઓ વચ્ચેની ક્રિયાપ્રતિક્રિયાના ધોરણો સુધી ઈ-મેલ દ્વારા હજુ પણ ઘણો ડેટા ટ્રાન્સફર કરવામાં આવે છે. તે સારું છે જો ડેટા મેળવવા માટે ઇન્ટરફેસ લખવાનું અથવા ઓફિસમાં એવા લોકોને મૂકવાનું શક્ય હોય કે જેઓ આ માહિતીને વધુ અનુકૂળ સ્ત્રોતોમાં દાખલ કરશે, પરંતુ ઘણીવાર આ શક્ય ન પણ બને. મેં જે વિશિષ્ટ કાર્યનો સામનો કરવો પડ્યો હતો તે કુખ્યાત CRM સિસ્ટમને ડેટા વેરહાઉસ સાથે અને પછી OLAP સિસ્ટમ સાથે જોડવાનું હતું. ઐતિહાસિક રીતે એવું બન્યું છે કે અમારી કંપની માટે આ સિસ્ટમનો ઉપયોગ વ્યવસાયના ચોક્કસ ક્ષેત્રમાં અનુકૂળ હતો. તેથી, દરેક વ્યક્તિ ખરેખર આ તૃતીય-પક્ષ સિસ્ટમના ડેટા સાથે પણ કાર્ય કરવા સક્ષમ બનવા માંગે છે. સૌ પ્રથમ, અલબત્ત, ઓપન API માંથી ડેટા મેળવવાની શક્યતાનો અભ્યાસ કરવામાં આવ્યો હતો. કમનસીબે, API એ તમામ જરૂરી ડેટા મેળવવાને આવરી લીધું ન હતું, અને, સરળ શબ્દોમાં કહીએ તો, તે ઘણી રીતે કુટિલ હતું, અને વધુ વ્યાપક કાર્યક્ષમતા પ્રદાન કરવા માટે ટેકનિકલ સપોર્ટ ઇચ્છતો ન હતો અથવા હાફ રસ્તે મળી શક્યો ન હતો. પરંતુ આ સિસ્ટમે સમયાંતરે આર્કાઇવને અનલોડ કરવા માટેની લિંકના રૂપમાં મેઇલ દ્વારા ગુમ થયેલ ડેટા પ્રાપ્ત કરવાની તક પૂરી પાડી હતી.

એ નોંધવું જોઇએ કે આ એકમાત્ર કેસ નથી જેમાં વ્યવસાય ઇમેલ અથવા ઇન્સ્ટન્ટ મેસેન્જર પાસેથી ડેટા એકત્રિત કરવા માંગતો હતો. જો કે, આ કિસ્સામાં, અમે ફક્ત આ રીતે ડેટાનો ભાગ પ્રદાન કરતી તૃતીય-પક્ષ કંપનીને પ્રભાવિત કરી શક્યા નથી.

અપાચે એરફ્લો

ETL પ્રક્રિયાઓ બનાવવા માટે, અમે મોટાભાગે Apache Airflow નો ઉપયોગ કરીએ છીએ. સંદર્ભમાં અને સામાન્ય રીતે તે કેવી દેખાય છે તે વધુ સારી રીતે સમજવા માટે આ ટેક્નૉલૉજીથી અજાણ હોય તેવા વાચક માટે, હું કેટલાક પ્રારંભિક મુદ્દાઓનું વર્ણન કરીશ.

અપાચે એરફ્લો એ એક મફત પ્લેટફોર્મ છે જેનો ઉપયોગ પાયથોનમાં ETL (એક્સ્ટ્રેક્ટ-ટ્રાન્સફોર્મ-લોડિંગ) પ્રક્રિયાઓ બનાવવા, એક્ઝિક્યુટ કરવા અને મોનિટર કરવા માટે થાય છે. એરફ્લોમાં મુખ્ય ખ્યાલ એ નિર્દેશિત એસાયક્લિક ગ્રાફ છે, જ્યાં ગ્રાફના શિરોબિંદુઓ ચોક્કસ પ્રક્રિયાઓ છે, અને ગ્રાફની કિનારીઓ નિયંત્રણ અથવા માહિતીનો પ્રવાહ છે. પ્રક્રિયા ફક્ત કોઈપણ પાયથોન ફંક્શનને કૉલ કરી શકે છે, અથવા તે વર્ગના સંદર્ભમાં ક્રમિક રીતે ઘણા ફંક્શનને કૉલ કરવાથી વધુ જટિલ તર્ક હોઈ શકે છે. સૌથી વધુ વારંવારની કામગીરી માટે, ત્યાં પહેલેથી જ ઘણા તૈયાર વિકાસ છે જેનો ઉપયોગ પ્રક્રિયાઓ તરીકે થઈ શકે છે. આવા વિકાસમાં શામેલ છે:

• ઓપરેટરો - એક જગ્યાએથી બીજા સ્થાને ડેટા ટ્રાન્સફર કરવા માટે, ઉદાહરણ તરીકે, ડેટાબેઝ ટેબલમાંથી ડેટા વેરહાઉસમાં;
• સેન્સર્સ - ચોક્કસ ઘટનાની ઘટનાની રાહ જોવા માટે અને ગ્રાફના અનુગામી શિરોબિંદુઓ પર નિયંત્રણના પ્રવાહને દિશામાન કરવા માટે;
• હુક્સ - નીચલા-સ્તરની કામગીરી માટે, ઉદાહરણ તરીકે, ડેટાબેઝ કોષ્ટકમાંથી ડેટા મેળવવા માટે (વિધાનોમાં વપરાય છે);
• અને તેથી પર

આ લેખમાં અપાચે એરફ્લોનું વિગતવાર વર્ણન કરવું અયોગ્ય રહેશે. સંક્ષિપ્ત પરિચય જોઈ શકાય છે અહીં અથવા અહીં.

ડેટા મેળવવા માટે હૂક

સૌ પ્રથમ, સમસ્યા હલ કરવા માટે, આપણે એક હૂક લખવાની જરૂર છે જેની સાથે આપણે કરી શકીએ:

• ઈમેલ સાથે કનેક્ટ કરો
• યોગ્ય પત્ર શોધો
• પત્રમાંથી ડેટા મેળવો.

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

તર્ક આ છે: અમે કનેક્ટ કરીએ છીએ, છેલ્લો સૌથી સુસંગત અક્ષર શોધીએ છીએ, જો ત્યાં અન્ય હોય, તો અમે તેને અવગણીએ છીએ. આ ફંક્શનનો ઉપયોગ થાય છે, કારણ કે પછીના અક્ષરોમાં પહેલાના બધા ડેટા હોય છે. જો આ કિસ્સો ન હોય તો, પછી તમે બધા અક્ષરોની એરે પરત કરી શકો છો, અથવા પ્રથમ એક પર પ્રક્રિયા કરી શકો છો, અને બાકીના આગળના પાસ પર. સામાન્ય રીતે, બધું, હંમેશની જેમ, કાર્ય પર આધાર રાખે છે.

અમે હૂકમાં બે સહાયક કાર્યો ઉમેરીએ છીએ: ફાઇલ ડાઉનલોડ કરવા માટે અને ઇમેઇલમાંથી લિંકનો ઉપયોગ કરીને ફાઇલ ડાઉનલોડ કરવા માટે. માર્ગ દ્વારા, તેઓ ઓપરેટરમાં ખસેડી શકાય છે, તે આ કાર્યક્ષમતાનો ઉપયોગ કરવાની આવર્તન પર આધારિત છે. હૂકમાં બીજું શું ઉમેરવું, ફરીથી, કાર્ય પર આધાર રાખે છે: જો પત્રમાં ફાઇલો તરત જ પ્રાપ્ત થાય, તો પછી તમે પત્રમાં જોડાણો ડાઉનલોડ કરી શકો છો, જો પત્રમાં ડેટા પ્રાપ્ત થાય છે, તો તમારે પત્રનું વિશ્લેષણ કરવાની જરૂર છે, વગેરે મારા કિસ્સામાં, પત્ર આર્કાઇવની એક લિંક સાથે આવે છે, જે મારે ચોક્કસ જગ્યાએ મૂકવાની અને આગળની પ્રક્રિયાની પ્રક્રિયા શરૂ કરવાની જરૂર છે.

    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)

કોડ સરળ છે, તેથી તેને ભાગ્યે જ વધુ સમજૂતીની જરૂર છે. હું તમને માત્ર જાદુઈ રેખા imap_conn_id વિશે કહીશ. અપાચે એરફ્લો કનેક્શન પરિમાણો (લોગિન, પાસવર્ડ, સરનામું અને અન્ય પરિમાણો) સ્ટોર કરે છે જે સ્ટ્રિંગ ઓળખકર્તા દ્વારા ઍક્સેસ કરી શકાય છે. દૃષ્ટિની રીતે, કનેક્શન મેનેજમેન્ટ આના જેવું લાગે છે

ડેટાની રાહ જોવા માટે સેન્સર

અમે પહેલેથી જ જાણીએ છીએ કે મેઇલમાંથી ડેટા કેવી રીતે કનેક્ટ કરવો અને પ્રાપ્ત કરવો, અમે હવે તેમની રાહ જોવા માટે સેન્સર લખી શકીએ છીએ. મારા કિસ્સામાં, તે તરત જ ઓપરેટર લખવાનું કામ કરતું નથી જે ડેટા પર પ્રક્રિયા કરશે, જો કોઈ હોય, કારણ કે અન્ય પ્રક્રિયાઓ મેઇલમાંથી પ્રાપ્ત ડેટાના આધારે કાર્ય કરે છે, જેમાં અન્ય સ્રોતો (API, ટેલિફોની) માંથી સંબંધિત ડેટા લે છે. , વેબ મેટ્રિક્સ, વગેરે.) વગેરે). હું તમને એક ઉદાહરણ આપીશ. CRM સિસ્ટમમાં એક નવો વપરાશકર્તા દેખાયો છે, અને અમે હજુ પણ તેના UUID વિશે જાણતા નથી. પછી, જ્યારે SIP ટેલિફોનીમાંથી ડેટા પ્રાપ્ત કરવાનો પ્રયાસ કરીએ છીએ, ત્યારે અમે તેના UUID સાથે જોડાયેલા કૉલ્સ પ્રાપ્ત કરીશું, પરંતુ અમે તેને સાચવી અને તેનો યોગ્ય રીતે ઉપયોગ કરી શકીશું નહીં. આવી બાબતોમાં, ડેટાની અવલંબનને ધ્યાનમાં રાખવી જરૂરી છે, ખાસ કરીને જો તે વિવિધ સ્રોતોમાંથી હોય. આ, અલબત્ત, ડેટાની અખંડિતતા જાળવવા માટે અપૂરતા પગલાં છે, પરંતુ કેટલાક કિસ્સાઓમાં તે જરૂરી છે. હા, અને સંસાધનોને કબજે કરવા માટે નિષ્ક્રિયતા પણ અતાર્કિક છે.

આમ, જો મેલમાં નવી માહિતી હશે તો અમારું સેન્સર ગ્રાફના અનુગામી શિરોબિંદુઓ શરૂ કરશે, અને અગાઉની માહિતીને અપ્રસ્તુત તરીકે પણ ચિહ્નિત કરશે.

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

અમે ડેટા પ્રાપ્ત કરીએ છીએ અને તેનો ઉપયોગ કરીએ છીએ

ડેટા પ્રાપ્ત કરવા અને પ્રક્રિયા કરવા માટે, તમે એક અલગ ઓપરેટર લખી શકો છો, તમે તૈયાર કરેલાનો ઉપયોગ કરી શકો છો. કારણ કે તર્ક હજુ પણ તુચ્છ છે - પત્રમાંથી ડેટા લેવા માટે, ઉદાહરણ તરીકે, હું માનક PythonOperator સૂચવે છે

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

માર્ગ દ્વારા, જો તમારી કોર્પોરેટ મેઇલ પણ mail.ru પર છે, તો પછી તમે વિષય, પ્રેષક, વગેરે દ્વારા પત્રો શોધવા માટે સમર્થ હશો નહીં. પાછા 2016 માં, તેઓએ તેને રજૂ કરવાનું વચન આપ્યું હતું, પરંતુ દેખીતી રીતે તેમનો વિચાર બદલાઈ ગયો હતો. મેં જરૂરી અક્ષરો માટે અલગ ફોલ્ડર બનાવીને અને મેઈલ વેબ ઈન્ટરફેસમાં જરૂરી અક્ષરો માટે ફિલ્ટર સેટ કરીને આ સમસ્યા હલ કરી છે. આમ, શોધ માટે ફક્ત જરૂરી અક્ષરો અને શરતો, મારા કિસ્સામાં, ફક્ત (અદ્રશ્ય) આ ફોલ્ડરમાં પ્રવેશ કરો.

સારાંશ આપતા, અમારી પાસે નીચેનો ક્રમ છે: અમે તપાસ કરીએ છીએ કે ત્યાં નવા અક્ષરો છે કે જે શરતોને પૂર્ણ કરે છે, જો ત્યાં હોય, તો અમે છેલ્લા અક્ષરની લિંકનો ઉપયોગ કરીને આર્કાઇવ ડાઉનલોડ કરીએ છીએ.
છેલ્લા બિંદુઓ હેઠળ, તે અવગણવામાં આવે છે કે આ આર્કાઇવને અનપેક કરવામાં આવશે, આર્કાઇવમાંથી ડેટા સાફ અને પ્રક્રિયા કરવામાં આવશે, અને પરિણામે, આખી વસ્તુ ETL પ્રક્રિયાની પાઇપલાઇનમાં આગળ વધશે, પરંતુ આ પહેલાથી જ આગળ છે. લેખનો અવકાશ. જો તે રસપ્રદ અને ઉપયોગી બન્યું, તો હું રાજીખુશીથી અપાચે એરફ્લો માટે ETL સોલ્યુશન્સ અને તેમના ભાગોનું વર્ણન કરવાનું ચાલુ રાખીશ.

સોર્સ: www.habr.com