അപ്പാച്ചെ എയർഫ്ലോയിലെ ഇമെയിലിൽ നിന്ന് ഡാറ്റ ലഭിക്കുന്നതിനുള്ള ETL പ്രക്രിയ

സാങ്കേതികവിദ്യ എത്രമാത്രം വികസിച്ചാലും, കാലഹരണപ്പെട്ട സമീപനങ്ങളുടെ ഒരു നിര എപ്പോഴും വികസനത്തിന് പിന്നിലാണ്. ഇത് സുഗമമായ പരിവർത്തനം, മാനുഷിക ഘടകങ്ങൾ, സാങ്കേതിക ആവശ്യങ്ങൾ അല്ലെങ്കിൽ മറ്റെന്തെങ്കിലും കാരണമായിരിക്കാം. ഡാറ്റ പ്രോസസ്സിംഗ് മേഖലയിൽ, ഈ ഭാഗത്ത് ഏറ്റവും കൂടുതൽ വെളിപ്പെടുത്തുന്നത് ഡാറ്റ ഉറവിടങ്ങളാണ്. ഇതിൽ നിന്ന് രക്ഷപ്പെടാൻ ഞങ്ങൾ എത്രമാത്രം സ്വപ്നം കാണുന്നുവെങ്കിലും, ഇതുവരെ ഡാറ്റയുടെ ഒരു ഭാഗം തൽക്ഷണ സന്ദേശവാഹകരിലും ഇമെയിലുകളിലും അയച്ചിട്ടുണ്ട്, കൂടുതൽ പുരാതന ഫോർമാറ്റുകൾ പരാമർശിക്കേണ്ടതില്ല. അപ്പാച്ചെ എയർഫ്ലോയ്‌ക്കുള്ള ഓപ്ഷനുകളിലൊന്ന് ഡിസ്അസംബ്ലിംഗ് ചെയ്യാൻ ഞാൻ നിങ്ങളെ ക്ഷണിക്കുന്നു, ഇമെയിലുകളിൽ നിന്ന് നിങ്ങൾക്ക് എങ്ങനെ ഡാറ്റ എടുക്കാം എന്ന് ചിത്രീകരിക്കുന്നു.

ചരിത്രാതീതകാലം

വ്യക്തികൾ തമ്മിലുള്ള ആശയവിനിമയം മുതൽ കമ്പനികൾ തമ്മിലുള്ള ആശയവിനിമയത്തിന്റെ മാനദണ്ഡങ്ങൾ വരെ ഇ-മെയിൽ വഴി ധാരാളം ഡാറ്റ ഇപ്പോഴും കൈമാറ്റം ചെയ്യപ്പെടുന്നു. ഡാറ്റ നേടുന്നതിന് ഒരു ഇന്റർഫേസ് എഴുതുകയോ അല്ലെങ്കിൽ ഈ വിവരങ്ങൾ കൂടുതൽ സൗകര്യപ്രദമായ ഉറവിടങ്ങളിലേക്ക് നൽകുന്ന ആളുകളെ ഓഫീസിൽ ഉൾപ്പെടുത്തുകയോ ചെയ്യുന്നത് നല്ലതാണ്, പക്ഷേ പലപ്പോഴും ഇത് സാധ്യമായേക്കില്ല. കുപ്രസിദ്ധമായ CRM സിസ്റ്റത്തെ ഡാറ്റ വെയർഹൗസിലേക്കും തുടർന്ന് OLAP സിസ്റ്റത്തിലേക്കും ബന്ധിപ്പിക്കുക എന്നതായിരുന്നു ഞാൻ നേരിട്ട നിർദ്ദിഷ്ട ചുമതല. ചരിത്രപരമായി അങ്ങനെ സംഭവിച്ചു, ഞങ്ങളുടെ കമ്പനിക്ക് ഈ സംവിധാനം ഉപയോഗിക്കുന്നത് ഒരു പ്രത്യേക ബിസിനസ് മേഖലയിൽ സൗകര്യപ്രദമായിരുന്നു. അതിനാൽ, ഈ മൂന്നാം കക്ഷി സിസ്റ്റത്തിൽ നിന്നുള്ള ഡാറ്റയും ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ എല്ലാവരും ആഗ്രഹിക്കുന്നു. ഒന്നാമതായി, തീർച്ചയായും, ഒരു ഓപ്പൺ എപിഐയിൽ നിന്ന് ഡാറ്റ നേടാനുള്ള സാധ്യത പഠിച്ചു. നിർഭാഗ്യവശാൽ, ആവശ്യമായ എല്ലാ ഡാറ്റയും ലഭിക്കുന്നത് API കവർ ചെയ്തില്ല, കൂടാതെ ലളിതമായി പറഞ്ഞാൽ, അത് പല തരത്തിൽ വളച്ചൊടിക്കപ്പെട്ടു, കൂടാതെ കൂടുതൽ സമഗ്രമായ പ്രവർത്തനം നൽകുന്നതിന് സാങ്കേതിക പിന്തുണ ആഗ്രഹിക്കുന്നില്ല അല്ലെങ്കിൽ പാതിവഴിയിൽ നിറവേറ്റാൻ കഴിഞ്ഞില്ല. എന്നാൽ ഈ സിസ്റ്റം ആർക്കൈവ് അൺലോഡ് ചെയ്യുന്നതിനുള്ള ഒരു ലിങ്ക് രൂപത്തിൽ ഇടയ്ക്കിടെ നഷ്ടപ്പെട്ട ഡാറ്റ മെയിൽ വഴി സ്വീകരിക്കാൻ അവസരം നൽകി.

ഇമെയിലുകളിൽ നിന്നോ തൽക്ഷണ സന്ദേശവാഹകരിൽ നിന്നോ ഡാറ്റ ശേഖരിക്കാൻ ബിസിനസ്സ് ആഗ്രഹിച്ച ഒരേയൊരു സാഹചര്യം ഇതായിരുന്നില്ല എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്. എന്നിരുന്നാലും, ഈ സാഹചര്യത്തിൽ, ഈ രീതിയിൽ മാത്രം ഡാറ്റയുടെ ഒരു ഭാഗം നൽകുന്ന ഒരു മൂന്നാം കക്ഷി കമ്പനിയെ സ്വാധീനിക്കാൻ ഞങ്ങൾക്ക് കഴിഞ്ഞില്ല.

അപ്പാച്ചെ എയർഫ്ലോ

ETL പ്രക്രിയകൾ നിർമ്മിക്കുന്നതിന്, ഞങ്ങൾ മിക്കപ്പോഴും Apache Airflow ഉപയോഗിക്കുന്നു. ഈ സാങ്കേതികവിദ്യയെക്കുറിച്ച് പരിചിതമല്ലാത്ത ഒരു വായനക്കാരന് സന്ദർഭത്തിലും പൊതുവെയും ഇത് എങ്ങനെ കാണപ്പെടുന്നുവെന്ന് നന്നായി മനസ്സിലാക്കുന്നതിന്, ഞാൻ രണ്ട് ആമുഖങ്ങൾ വിവരിക്കും.

പൈത്തണിലെ ETL (എക്‌സ്‌ട്രാക്റ്റ്-ട്രാൻസ്‌ഫോം-ലോഡിംഗ്) പ്രക്രിയകൾ നിർമ്മിക്കുന്നതിനും നടപ്പിലാക്കുന്നതിനും നിരീക്ഷിക്കുന്നതിനും ഉപയോഗിക്കുന്ന ഒരു സ്വതന്ത്ര പ്ലാറ്റ്‌ഫോമാണ് അപ്പാച്ചെ എയർഫ്ലോ. എയർഫ്ലോയിലെ പ്രധാന ആശയം ഒരു ഡയറക്റ്റ് അസൈക്ലിക് ഗ്രാഫാണ്, അവിടെ ഗ്രാഫിന്റെ ലംബങ്ങൾ നിർദ്ദിഷ്ട പ്രക്രിയകളാണ്, കൂടാതെ ഗ്രാഫിന്റെ അരികുകൾ നിയന്ത്രണത്തിന്റെയോ വിവരത്തിന്റെയോ ഒഴുക്കാണ്. ഒരു പ്രോസസ്സിന് ഏതെങ്കിലും പൈത്തൺ ഫംഗ്‌ഷനെ വിളിക്കാൻ കഴിയും, അല്ലെങ്കിൽ ഒരു ക്ലാസിന്റെ സന്ദർഭത്തിൽ നിരവധി ഫംഗ്‌ഷനുകളെ തുടർച്ചയായി വിളിക്കുന്നതിൽ നിന്ന് ഇതിന് കൂടുതൽ സങ്കീർണ്ണമായ യുക്തി ഉണ്ടായിരിക്കാം. ഏറ്റവും പതിവ് പ്രവർത്തനങ്ങൾക്കായി, പ്രക്രിയകളായി ഉപയോഗിക്കാവുന്ന നിരവധി റെഡിമെയ്ഡ് സംഭവവികാസങ്ങൾ ഇതിനകം ഉണ്ട്. അത്തരം സംഭവവികാസങ്ങളിൽ ഇവ ഉൾപ്പെടുന്നു:

• ഓപ്പറേറ്റർമാർ - ഒരു സ്ഥലത്ത് നിന്ന് മറ്റൊരിടത്തേക്ക് ഡാറ്റ കൈമാറുന്നതിന്, ഉദാഹരണത്തിന്, ഒരു ഡാറ്റാബേസ് പട്ടികയിൽ നിന്ന് ഒരു ഡാറ്റ വെയർഹൗസിലേക്ക്;
• സെൻസറുകൾ - ഒരു നിശ്ചിത സംഭവത്തിന്റെ സംഭവത്തിനായി കാത്തിരിക്കുന്നതിനും ഗ്രാഫിന്റെ തുടർന്നുള്ള ലംബങ്ങളിലേക്ക് നിയന്ത്രണത്തിന്റെ ഒഴുക്ക് നയിക്കുന്നതിനും;
• കൊളുത്തുകൾ - താഴ്ന്ന നിലയിലുള്ള പ്രവർത്തനങ്ങൾക്ക്, ഉദാഹരണത്തിന്, ഒരു ഡാറ്റാബേസ് പട്ടികയിൽ നിന്ന് ഡാറ്റ ലഭിക്കുന്നതിന് (പ്രസ്താവനകളിൽ ഉപയോഗിക്കുന്നു);
• അതുപോലെ.

ഈ ലേഖനത്തിൽ അപ്പാച്ചെ എയർഫ്ലോ വിശദമായി വിവരിക്കുന്നത് അനുചിതമാണ്. ഹ്രസ്വമായ ആമുഖങ്ങൾ കാണാം ഇവിടെ അഥവാ ഇവിടെ.

ഡാറ്റ ലഭിക്കുന്നതിനുള്ള ഹുക്ക്

ഒന്നാമതായി, പ്രശ്നം പരിഹരിക്കുന്നതിന്, നമുക്ക് കഴിയുന്ന ഒരു ഹുക്ക് എഴുതേണ്ടതുണ്ട്:

• ഇമെയിലിലേക്ക് ബന്ധിപ്പിക്കുക
• ശരിയായ അക്ഷരം കണ്ടെത്തുക
• കത്തിൽ നിന്ന് ഡാറ്റ സ്വീകരിക്കുക.

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

യുക്തി ഇതാണ്: ഞങ്ങൾ ബന്ധിപ്പിക്കുന്നു, അവസാനത്തെ ഏറ്റവും പ്രസക്തമായ കത്ത് കണ്ടെത്തുന്നു, മറ്റുള്ളവ ഉണ്ടെങ്കിൽ, ഞങ്ങൾ അവ അവഗണിക്കുന്നു. ഈ ഫംഗ്ഷൻ ഉപയോഗിക്കുന്നു, കാരണം പിന്നീടുള്ള അക്ഷരങ്ങളിൽ മുമ്പത്തെ എല്ലാ ഡാറ്റയും അടങ്ങിയിരിക്കുന്നു. ഇത് അങ്ങനെയല്ലെങ്കിൽ, നിങ്ങൾക്ക് എല്ലാ അക്ഷരങ്ങളുടെയും ഒരു ശ്രേണി തിരികെ നൽകാം, അല്ലെങ്കിൽ ആദ്യത്തേത് പ്രോസസ്സ് ചെയ്യാം, ബാക്കിയുള്ളവ അടുത്ത പാസിൽ. പൊതുവേ, എല്ലാം, എല്ലായ്പ്പോഴും എന്നപോലെ, ചുമതലയെ ആശ്രയിച്ചിരിക്കുന്നു.

ഹുക്കിലേക്ക് ഞങ്ങൾ രണ്ട് ഓക്സിലറി ഫംഗ്ഷനുകൾ ചേർക്കുന്നു: ഒരു ഫയൽ ഡൗൺലോഡ് ചെയ്യുന്നതിനും ഒരു ഇമെയിലിൽ നിന്ന് ഒരു ലിങ്ക് ഉപയോഗിച്ച് ഒരു ഫയൽ ഡൗൺലോഡ് ചെയ്യുന്നതിനും. വഴിയിൽ, അവ ഓപ്പറേറ്ററിലേക്ക് നീക്കാൻ കഴിയും, ഇത് ഈ പ്രവർത്തനം ഉപയോഗിക്കുന്നതിന്റെ ആവൃത്തിയെ ആശ്രയിച്ചിരിക്കുന്നു. ഹുക്കിലേക്ക് മറ്റെന്താണ് ചേർക്കേണ്ടത്, വീണ്ടും, ചുമതലയെ ആശ്രയിച്ചിരിക്കുന്നു: കത്തിൽ ഫയലുകൾ ഉടനടി ലഭിക്കുകയാണെങ്കിൽ, നിങ്ങൾക്ക് കത്തിലേക്ക് അറ്റാച്ച്മെന്റുകൾ ഡൗൺലോഡ് ചെയ്യാം, കത്തിൽ ഡാറ്റ ലഭിച്ചിട്ടുണ്ടെങ്കിൽ, നിങ്ങൾ കത്ത് പാഴ്സ് ചെയ്യേണ്ടതുണ്ട്, തുടങ്ങിയവ. എന്റെ കാര്യത്തിൽ, കത്ത് ആർക്കൈവിലേക്കുള്ള ഒരു ലിങ്കുമായാണ് വരുന്നത്, അത് എനിക്ക് ഒരു നിശ്ചിത സ്ഥലത്ത് ഇടുകയും കൂടുതൽ പ്രോസസ്സിംഗ് പ്രക്രിയ ആരംഭിക്കുകയും വേണം.

    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)

കോഡ് ലളിതമാണ്, അതിനാൽ ഇതിന് കൂടുതൽ വിശദീകരണം ആവശ്യമില്ല. imap_conn_id എന്ന മാജിക് ലൈനിനെക്കുറിച്ച് ഞാൻ നിങ്ങളോട് പറയും. ഒരു സ്ട്രിംഗ് ഐഡന്റിഫയർ വഴി ആക്‌സസ് ചെയ്യാൻ കഴിയുന്ന കണക്ഷൻ പാരാമീറ്ററുകൾ (ലോഗിൻ, പാസ്‌വേഡ്, വിലാസം, മറ്റ് പാരാമീറ്ററുകൾ) അപ്പാച്ചെ എയർഫ്ലോ സംഭരിക്കുന്നു. ദൃശ്യപരമായി, കണക്ഷൻ മാനേജ്മെന്റ് ഇതുപോലെ കാണപ്പെടുന്നു

ഡാറ്റയ്ക്കായി കാത്തിരിക്കാൻ സെൻസർ

മെയിലിൽ നിന്ന് ഡാറ്റ എങ്ങനെ കണക്റ്റുചെയ്യാമെന്നും സ്വീകരിക്കാമെന്നും ഞങ്ങൾക്ക് ഇതിനകം അറിയാവുന്നതിനാൽ, അവയ്‌ക്കായി കാത്തിരിക്കാൻ ഞങ്ങൾക്ക് ഇപ്പോൾ ഒരു സെൻസർ എഴുതാം. എന്റെ കാര്യത്തിൽ, ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്ന ഒരു ഓപ്പറേറ്റർ ഉടനടി എഴുതുന്നത് സാധ്യമല്ല, കാരണം മെയിലിൽ നിന്ന് ലഭിച്ച ഡാറ്റയെ അടിസ്ഥാനമാക്കി മറ്റ് പ്രോസസ്സുകളും പ്രവർത്തിക്കുന്നു, മറ്റ് ഉറവിടങ്ങളിൽ നിന്ന് ബന്ധപ്പെട്ട ഡാറ്റ എടുക്കുന്നവ ഉൾപ്പെടെ (API, ടെലിഫോണി, വെബ് മെട്രിക്സ്, മുതലായവ) മുതലായവ). ഞാൻ നിങ്ങൾക്ക് ഒരു ഉദാഹരണം തരാം. CRM സിസ്റ്റത്തിൽ ഒരു പുതിയ ഉപയോക്താവ് പ്രത്യക്ഷപ്പെട്ടു, അദ്ദേഹത്തിന്റെ UUID-യെ കുറിച്ച് ഞങ്ങൾക്ക് ഇപ്പോഴും അറിയില്ല. തുടർന്ന്, എസ്‌ഐ‌പി ടെലിഫോണിയിൽ നിന്ന് ഡാറ്റ സ്വീകരിക്കാൻ ശ്രമിക്കുമ്പോൾ, അതിന്റെ യുയുഐഡിയുമായി ബന്ധിപ്പിച്ച കോളുകൾ ഞങ്ങൾക്ക് ലഭിക്കും, പക്ഷേ അവ സംരക്ഷിക്കാനും ശരിയായി ഉപയോഗിക്കാനും ഞങ്ങൾക്ക് കഴിയില്ല. അത്തരം കാര്യങ്ങളിൽ, ഡാറ്റയുടെ ആശ്രിതത്വം മനസ്സിൽ സൂക്ഷിക്കേണ്ടത് പ്രധാനമാണ്, പ്രത്യേകിച്ചും അവ വ്യത്യസ്ത ഉറവിടങ്ങളിൽ നിന്നുള്ളതാണെങ്കിൽ. ഇവ തീർച്ചയായും, ഡാറ്റയുടെ സമഗ്രത സംരക്ഷിക്കുന്നതിനുള്ള അപര്യാപ്തമായ നടപടികളാണ്, എന്നാൽ ചില സന്ദർഭങ്ങളിൽ അവ ആവശ്യമാണ്. അതെ, വിഭവങ്ങൾ കൈവശപ്പെടുത്താനുള്ള നിഷ്ക്രിയത്വവും യുക്തിരഹിതമാണ്.

അതിനാൽ, മെയിലിൽ പുതിയ വിവരങ്ങൾ ഉണ്ടെങ്കിൽ ഞങ്ങളുടെ സെൻസർ ഗ്രാഫിന്റെ തുടർന്നുള്ള ലംബങ്ങൾ സമാരംഭിക്കും, കൂടാതെ മുമ്പത്തെ വിവരങ്ങൾ അപ്രസക്തമായി അടയാളപ്പെടുത്തുകയും ചെയ്യും.

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

ഞങ്ങൾ ഡാറ്റ സ്വീകരിക്കുകയും ഉപയോഗിക്കുകയും ചെയ്യുന്നു

ഡാറ്റ സ്വീകരിക്കുന്നതിനും പ്രോസസ്സ് ചെയ്യുന്നതിനും, നിങ്ങൾക്ക് ഒരു പ്രത്യേക ഓപ്പറേറ്റർ എഴുതാം, നിങ്ങൾക്ക് റെഡിമെയ്ഡ് ഉപയോഗിക്കാം. ഇതുവരെ ലോജിക് നിസ്സാരമായതിനാൽ - അക്ഷരത്തിൽ നിന്ന് ഡാറ്റ എടുക്കാൻ, ഉദാഹരണത്തിന്, ഞാൻ സ്റ്റാൻഡേർഡ് പൈത്തൺ ഓപ്പറേറ്റർ നിർദ്ദേശിക്കുന്നു

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

വഴിയിൽ, നിങ്ങളുടെ കോർപ്പറേറ്റ് മെയിൽ mail.ru-ൽ ആണെങ്കിൽ, വിഷയം, അയച്ചയാൾ മുതലായവ പ്രകാരം നിങ്ങൾക്ക് അക്ഷരങ്ങൾ തിരയാൻ കഴിയില്ല. 2016 ൽ, അവർ അത് അവതരിപ്പിക്കുമെന്ന് വാഗ്ദാനം ചെയ്തു, പക്ഷേ പ്രത്യക്ഷത്തിൽ അവരുടെ മനസ്സ് മാറ്റി. ആവശ്യമായ അക്ഷരങ്ങൾക്കായി ഒരു പ്രത്യേക ഫോൾഡർ സൃഷ്ടിച്ച് മെയിൽ വെബ് ഇന്റർഫേസിൽ ആവശ്യമായ അക്ഷരങ്ങൾക്കായി ഒരു ഫിൽട്ടർ സജ്ജീകരിച്ച് ഞാൻ ഈ പ്രശ്നം പരിഹരിച്ചു. അതിനാൽ, തിരയലിന് ആവശ്യമായ അക്ഷരങ്ങളും വ്യവസ്ഥകളും മാത്രം, എന്റെ കാര്യത്തിൽ, (UNSEEN) ഈ ഫോൾഡറിലേക്ക് പ്രവേശിക്കുക.

ചുരുക്കത്തിൽ, ഞങ്ങൾക്ക് ഇനിപ്പറയുന്ന ക്രമം ഉണ്ട്: വ്യവസ്ഥകൾ പാലിക്കുന്ന പുതിയ അക്ഷരങ്ങൾ ഉണ്ടോ എന്ന് ഞങ്ങൾ പരിശോധിക്കുന്നു, ഉണ്ടെങ്കിൽ, അവസാന അക്ഷരത്തിൽ നിന്നുള്ള ലിങ്ക് ഉപയോഗിച്ച് ഞങ്ങൾ ആർക്കൈവ് ഡൗൺലോഡ് ചെയ്യുന്നു.
അവസാന ഡോട്ടുകൾക്ക് കീഴിൽ, ഈ ആർക്കൈവ് അൺപാക്ക് ചെയ്യപ്പെടും, ആർക്കൈവിൽ നിന്നുള്ള ഡാറ്റ മായ്‌ക്കുകയും പ്രോസസ്സ് ചെയ്യുകയും ചെയ്യും, അതിന്റെ ഫലമായി, മുഴുവൻ കാര്യങ്ങളും ETL പ്രോസസ്സിന്റെ പൈപ്പ്‌ലൈനിലേക്ക് പോകും, ​​പക്ഷേ ഇത് ഇതിനകം തന്നെ അപ്പുറമാണ് ലേഖനത്തിന്റെ വ്യാപ്തി. ഇത് രസകരവും ഉപയോഗപ്രദവുമാണെങ്കിൽ, അപ്പാച്ചെ എയർഫ്ലോയ്‌ക്കായുള്ള ETL പരിഹാരങ്ങളും അവയുടെ ഭാഗങ്ങളും വിവരിക്കുന്നത് ഞാൻ സന്തോഷത്തോടെ തുടരും.

അവലംബം: www.habr.com