ETL processus pro notitia questus ex Apache Airflow inscriptio in

Quantumcumque technologiae enucleatur, chorda iamnonis appropinquat semper post progressionem trahit. Hoc contingere potest propter leves transitus, factores hominum, necessitates technologicas, vel aliquid aliud. In campo notitiae processus, fontes notitiae sunt maxime in hac parte revelantes. Quantumvis hoc tollendi somniamus, sed tantum pars notitiarum in instanti nuntiorum et electronicorum mittitur, ut plura archaica formas taceam. Rogamus te ut unam ex optionibus Apache Airflow disgreges, illustrans quomodo notitias ex electronicis accipere potes.

erectus

Multum notitiarum adhuc per electronicas transfertur, ex communicationibus interpersonalibus ad signa commercii inter societates. Bonum est si fieri potest ut interface scribere datas vel homines in officio ponere, qui informationem hanc in fontes commodiores intrabunt, sed saepe hoc simpliciter fieri non potest. Negotium peculiare, quod ante me erat, notorium CRM systematis cum notitia horreorum iungebat, et deinde cum systemate OLAP. Sic historice factum est ut pro nostro coetu usus huius systematis in peculiari negotiorum provincia esset opportunus. Omnes igitur re vera cum notitia ex hac tertia-partii ratione etiam operari posse volebant. Imprimis, sane, facultatem obtinendi notitia ex aperto API studuit. Infeliciter, API omnia necessarias notitias non operiebat, et, simplicibus verbis, multis modis pravae erat, et technicae subsidii nolebat aut non poterat in medio congredi ut plus muneris magis latioris praeberet. Sed haec ratio occasionem praebet ut absentes notitias per epistulas recipiant in modum nexus ad archivum exonerandam.

Animadvertendum est hunc casum solum non fuisse in quo negotium notitias ex nuntiis vel instantibus nuntiis colligere volebant. Attamen in hoc casu non potuit movere comitatum tertium-pars qui hoc modo tantum partem praebet notitiae.

Apache editi

Ad processum ETL aedificandum, frequentius Apache Airflow utimur. Ut lector, qui huic technologiae ignarus melius intelligat quomodo spectat in contextu et generatim, duo introductoria describemus.

Apache Airflow est liberum tribunal quod fabricare, exequi et monitor ETL (Extract-Transform-Loading) processuum in Pythone est. Praecipua notio in Airflow est graphio acyclico directa, ubi vertices graphi sunt processus specifici, et margines graphi sunt fluxus imperii seu notitiae. Processus simpliciter quemlibet munus Python vocare potest, vel logicam magis implicatam habere potest ex pluribus functionibus consequenter vocatis in contextu generis. Ad operationes frequentiores, iam multae progressiones paratae factae sunt, quae uti processibus adhiberi possunt. Huiusmodi explicationes complectuntur:

• operariorum - notitias de loco in locum transferendi, exempli gratia, ex tabula datorum ad cellam datam;
• sensoriis - exspectandi eventum cuiusdam eventus ac moderandi fluxum imperii ad vertices graphi subsequentes;
• hami - pro operationibus inferioribus, exempli gratia, ut notitias ex tabula datorum (in propositionibus usitatas);
• etc.

Inconvenienter Apache Airflow in hoc articulo singillatim describere. Brevis initia considerari possunt hic aut hic.

Hamo ad questus notitia

Imprimis, ut problema solvendum, hamum scribere oportet quo potuimus;

• coniungere ad email
• invenire ius litterae
• ex litteris accipere notitia.

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

Logica haec est: connectimus, extremam litteram maxime pertinentes reperimus, si quae sunt aliae, eas negligimus. Hoc munus adhibetur, quia litterae posteriores omnes notitias priorum continent. Quod si non ita est, tunc omnes literae ordinatae redire potes, seu primum processum, et reliqua in proximum transitum. Fere omnia, ut semper, ab officio pendent.

Duo munera auxiliaria ad hamum addimus: ad limam deprimendam et ad limam utendam ab inscriptionem nexum adhibendam. Viam facere possunt ad operantem, pendet ex frequentia huius functionis utendi. Quid aliud ad hamum adiciendum, rursus in negotio dependet: si statim recipiuntur fasciculi in epistula, tum attachiamenta ad litteram, si notitia recipitur in epistula, necesse est litteras dividere; etc. In casu meo, epistolae cum uno nexus ad archivum venit, quem certo loco ponere debeo et processus ulterioris processus committitur.

    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)

Codex simplex est, ut vix explicatione ampliori indigeat. Modo dicam tibi de linea magica imap_conn_id. Apache Airflow reponit nexum parametri (login, tesseram, inscriptionem, aliosque parametri) quae per filo identifier accedere possunt. Visum, connexio procuratio similis est

Sensorem exspectare notitia

Cum iam scimus quomodo notitias connectere et ex epistularum recipiunt, nunc sensorem scribere possumus ut eas exspectamus. In casu meo, non laboravit operantem statim scribere qui notitias procedet, si quis, quia alii processus laborant in notitia electronicarum receptarum, in iis quae notitias ex aliis fontibus relatas accipiunt (API, telephony. metri textus, etc.). Exemplum dabo. Novus usor in CRM systemate apparuit, et de eius UUID adhuc nescimus. Deinde cum notitias ex HAUSTUS telephony accipere conantes, vocatum UUID ligatum recipiemus, sed ea recte servare et uti non poterimus. His in rebus refert dependentiam notitiarum prae oculis habere, praesertim si ex diversis auctoribus sunt. Hae sunt quidem satis mensurae ad integritatem datam conservandam, sed in quibusdam necessaria sunt. Immo et otiosus opes occupandi irrationabilis est.

Sic sensor noster posteriores vertices graphi mittet si notitiae recentes in electronica epistularum sunt, et etiam priora indicia nullius momenti sunt.

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

Nos accipimus et utimur notitia

Data ad recipiendum et processum, operatorem separatum scribere potes, paratis factis uti potes. Cum logica hactenus levis sit - ut ex littera notitias capias, exempli gratia signum PythonOperatoris admoneo.

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

Obiter, si epistularum corpus tuum etiam in mail.ru est, tunc litteras a subiecto, mittente, etc. Retro in 2016, id se introducere promiserunt, sed animos eorum apparenter mutaverunt. Hoc problema solvi faciendo folder separatum pro litteris necessariis et colum ponens litteris necessariis in interface electronicis. Ita, solum necessariae litterae et condiciones quaerendi, in casu meo, simpliciter in hunc folder ingrediuntur.

Summatim, sequentia sequentia habemus: reprimimus si novae litterae sunt, quae condiciones occurrentes, si quae sint, archivum ex postrema littera nexu utentes eximimus.
Sub ultimis punctis omittitur ut hoc archivum sit solutum, notitia ex archivo patebit et discursum est, et per consequens res tota ulterius ad processum ETL pipelinum perveniet, sed hoc iam ultra. ambitum articuli. Si commodam et utilem evenerit, tum libenter ETL solutiones earumque partes Apache Airflui describere pergam.

Source: www.habr.com