अपाचे एअरफ्लोमध्ये ईमेलवरून डेटा मिळविण्यासाठी ETL प्रक्रिया

तंत्रज्ञान कितीही विकसित होत असले तरी कालबाह्य पध्दतींचा एक सिलसिला नेहमी विकासाच्या मागे असतो. हे गुळगुळीत संक्रमण, मानवी घटक, तांत्रिक गरजा किंवा इतर कशामुळे असू शकते. डेटा प्रोसेसिंगच्या क्षेत्रात, डेटा स्रोत या भागात सर्वात जास्त प्रकट होतात. आपण यापासून मुक्त होण्याचे कितीही स्वप्न पाहत असलो तरी, परंतु आतापर्यंत डेटाचा काही भाग इन्स्टंट मेसेंजर आणि ईमेलमध्ये पाठविला जातो, अधिक पुरातन स्वरूपांचा उल्लेख नाही. मी तुम्हाला Apache Airflow साठी पर्यायांपैकी एक वेगळे करण्यासाठी आमंत्रित करतो, तुम्ही ईमेलमधून डेटा कसा घेऊ शकता हे स्पष्ट करून.

prehistory

आंतरवैयक्तिक संप्रेषणांपासून कंपन्यांमधील परस्परसंवादाच्या मानकांपर्यंत बराच डेटा अजूनही ई-मेलद्वारे हस्तांतरित केला जातो. डेटा मिळविण्यासाठी इंटरफेस लिहिणे किंवा अधिक सोयीस्कर स्त्रोतांमध्ये ही माहिती प्रविष्ट करणार्‍या लोकांना कार्यालयात ठेवणे शक्य असल्यास चांगले आहे, परंतु बर्‍याचदा हे शक्य होणार नाही. मला ज्या विशिष्ट कार्याचा सामना करावा लागला ते कुख्यात CRM प्रणालीला डेटा वेअरहाऊसशी आणि नंतर OLAP प्रणालीशी जोडणे. हे ऐतिहासिकदृष्ट्या असे घडले की आमच्या कंपनीसाठी या प्रणालीचा वापर व्यवसायाच्या विशिष्ट क्षेत्रात सोयीस्कर होता. म्हणून, प्रत्येकाला खरोखरच या तृतीय-पक्ष प्रणालीच्या डेटासह कार्य करण्यास सक्षम व्हायचे होते. सर्व प्रथम, अर्थातच, खुल्या API वरून डेटा मिळविण्याच्या शक्यतेचा अभ्यास केला गेला. दुर्दैवाने, API ने सर्व आवश्यक डेटा मिळवणे कव्हर केले नाही, आणि, सोप्या भाषेत, ते अनेक मार्गांनी कुटिल होते, आणि अधिक व्यापक कार्यक्षमता प्रदान करण्यासाठी तांत्रिक समर्थन नको होते किंवा अर्ध्या मार्गाने पूर्ण करू शकत नव्हते. परंतु या प्रणालीने संग्रहण अनलोड करण्यासाठी दुव्याच्या स्वरूपात मेलद्वारे गहाळ डेटा वेळोवेळी प्राप्त करण्याची संधी प्रदान केली.

हे लक्षात घ्यावे की हे एकमेव प्रकरण नव्हते ज्यामध्ये व्यवसाय ईमेल किंवा इन्स्टंट मेसेंजरकडून डेटा गोळा करू इच्छित होता. तथापि, या प्रकरणात, आम्ही केवळ अशा प्रकारे डेटाचा भाग प्रदान करणार्‍या तृतीय-पक्ष कंपनीवर प्रभाव टाकू शकत नाही.

अपाचे एअरफ्लो

ETL प्रक्रिया तयार करण्यासाठी, आम्ही बहुतेकदा Apache Airflow वापरतो. या तंत्रज्ञानाशी अपरिचित असलेल्या वाचकाला ते संदर्भ आणि सर्वसाधारणपणे कसे दिसते हे चांगल्या प्रकारे समजून घेण्यासाठी, मी काही प्रास्ताविकांचे वर्णन करेन.

Apache Airflow हे एक विनामूल्य प्लॅटफॉर्म आहे जे Python मध्ये ETL (Extract-Transform-Loading) प्रक्रिया तयार करण्यासाठी, कार्यान्वित करण्यासाठी आणि मॉनिटर करण्यासाठी वापरले जाते. एअरफ्लोमधली मुख्य संकल्पना ही एक निर्देशित अॅसायक्लिक आलेख आहे, जिथे आलेखाचे शिरोबिंदू विशिष्ट प्रक्रिया आहेत आणि आलेखाच्या कडा म्हणजे नियंत्रण किंवा माहितीचा प्रवाह. प्रक्रिया कोणत्याही पायथन फंक्शनला फक्त कॉल करू शकते किंवा क्लासच्या संदर्भात अनेक फंक्शन्सला क्रमाने कॉल करण्यापासून ते अधिक जटिल तर्क असू शकते. सर्वात वारंवार ऑपरेशन्ससाठी, आधीपासूनच अनेक तयार-तयार घडामोडी आहेत ज्या प्रक्रिया म्हणून वापरल्या जाऊ शकतात. अशा विकासांमध्ये हे समाविष्ट आहे:

• ऑपरेटर - एका ठिकाणाहून दुसऱ्या ठिकाणी डेटा हस्तांतरित करण्यासाठी, उदाहरणार्थ, डेटाबेस टेबलवरून डेटा वेअरहाऊसमध्ये;
• सेन्सर्स - एखाद्या विशिष्ट घटनेच्या घटनेची प्रतीक्षा करण्यासाठी आणि आलेखाच्या पुढील शिरोबिंदूंकडे नियंत्रणाचा प्रवाह निर्देशित करण्यासाठी;
• हुक - लोअर लेव्हल ऑपरेशन्ससाठी, उदाहरणार्थ, डेटाबेस टेबलमधून डेटा मिळवण्यासाठी (स्टेटमेंटमध्ये वापरलेले);
• आणि याप्रमाणे.

या लेखात अपाचे एअरफ्लोचे तपशीलवार वर्णन करणे अयोग्य ठरेल. संक्षिप्त परिचय पाहता येईल येथे किंवा येथे.

डेटा मिळविण्यासाठी हुक

सर्व प्रथम, समस्येचे निराकरण करण्यासाठी, आम्हाला एक हुक लिहिणे आवश्यक आहे ज्याद्वारे आम्ही हे करू शकतो:

• ईमेलशी कनेक्ट करा
• योग्य पत्र शोधा
• पत्रातून डेटा प्राप्त करा.

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

तर्क हे आहे: आम्ही कनेक्ट करतो, शेवटचे सर्वात संबंधित पत्र शोधतो, जर इतर असतील तर आम्ही त्यांच्याकडे दुर्लक्ष करतो. हे फंक्शन वापरले जाते, कारण नंतरच्या अक्षरांमध्ये पूर्वीचा सर्व डेटा असतो. असे नसल्यास, तुम्ही सर्व अक्षरांचा अॅरे परत करू शकता किंवा पहिल्यावर प्रक्रिया करू शकता आणि उर्वरित पुढील पासवर करू शकता. सर्वसाधारणपणे, सर्वकाही, नेहमीप्रमाणे, कार्यावर अवलंबून असते.

आम्ही हुकमध्ये दोन सहायक कार्ये जोडतो: फाइल डाउनलोड करण्यासाठी आणि ईमेलवरून लिंक वापरून फाइल डाउनलोड करण्यासाठी. तसे, ते ऑपरेटरकडे हलविले जाऊ शकतात, ते ही कार्यक्षमता वापरण्याच्या वारंवारतेवर अवलंबून असते. हुकमध्ये आणखी काय जोडायचे आहे, पुन्हा, कार्यावर अवलंबून आहे: जर पत्रात फायली त्वरित प्राप्त झाल्या तर आपण पत्राशी संलग्नक डाउनलोड करू शकता, जर पत्रात डेटा प्राप्त झाला असेल तर आपल्याला पत्र विश्लेषित करणे आवश्यक आहे, इ. माझ्या बाबतीत, पत्र संग्रहणाच्या एका दुव्यासह येते, जे मला एका विशिष्ट ठिकाणी ठेवणे आणि पुढील प्रक्रिया प्रक्रिया सुरू करणे आवश्यक आहे.

    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)

कोड सोपा आहे, म्हणून त्याला अधिक स्पष्टीकरणाची आवश्यकता नाही. मी तुम्हाला फक्त imap_conn_id या जादूच्या ओळीबद्दल सांगेन. Apache Airflow कनेक्‍शन पॅरामीटर्स (लॉगिन, पासवर्ड, अॅड्रेस आणि इतर पॅरामीटर्स) स्टोअर करते ज्यात स्ट्रिंग आयडेंटिफायरद्वारे प्रवेश केला जाऊ शकतो. दृश्यमानपणे, कनेक्शन व्यवस्थापन असे दिसते

डेटाची प्रतीक्षा करण्यासाठी सेन्सर

आम्हाला मेलमधून डेटा कसा कनेक्ट करायचा आणि प्राप्त करायचा हे आधीच माहित असल्याने, आम्ही आता त्यांची प्रतीक्षा करण्यासाठी सेन्सर लिहू शकतो. माझ्या बाबतीत, आत्ताच एखादा ऑपरेटर लिहिणे कार्य करत नाही जो डेटावर प्रक्रिया करेल, जर असेल तर, कारण इतर प्रक्रिया मेलमधून प्राप्त झालेल्या डेटावर आधारित कार्य करतात, ज्यात इतर स्त्रोतांकडून संबंधित डेटा घेतात (API, टेलिफोनी , वेब मेट्रिक्स, इ.) इ.). मी तुम्हाला एक उदाहरण देतो. CRM प्रणालीमध्ये एक नवीन वापरकर्ता दिसला आहे, आणि आम्हाला त्याच्या UUID बद्दल अद्याप माहिती नाही. त्यानंतर, SIP टेलिफोनी वरून डेटा प्राप्त करण्याचा प्रयत्न करताना, आम्हाला त्याच्या UUID शी जोडलेले कॉल प्राप्त होतील, परंतु आम्ही ते जतन आणि योग्यरित्या वापरण्यास सक्षम असणार नाही. अशा प्रकरणांमध्ये, डेटाचे अवलंबित्व लक्षात ठेवणे आवश्यक आहे, विशेषत: जर ते भिन्न स्त्रोतांकडून असतील. हे अर्थातच, डेटा अखंडतेचे संरक्षण करण्यासाठी अपुरे उपाय आहेत, परंतु काही प्रकरणांमध्ये ते आवश्यक आहेत. होय, आणि संसाधने व्यापण्यासाठी आळशीपणा देखील तर्कहीन आहे.

अशा प्रकारे, मेलमध्ये नवीन माहिती असल्यास आमचा सेन्सर आलेखाचे पुढील शिरोबिंदू लाँच करेल आणि मागील माहितीला असंबद्ध म्हणून चिन्हांकित करेल.

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

आम्ही डेटा प्राप्त करतो आणि वापरतो

डेटा प्राप्त करण्यासाठी आणि त्यावर प्रक्रिया करण्यासाठी, आपण स्वतंत्र ऑपरेटर लिहू शकता, आपण तयार केलेले वापरू शकता. आतापर्यंत तर्क क्षुल्लक असल्याने - पत्रातून डेटा घेण्यासाठी, उदाहरणार्थ, मी मानक पायथनऑपरेटर सुचवितो

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

तसे, जर तुमचा कॉर्पोरेट मेल देखील mail.ru वर असेल, तर तुम्ही विषय, प्रेषक इत्यादींनुसार अक्षरे शोधू शकणार नाही. 2016 मध्ये, त्यांनी ते सादर करण्याचे वचन दिले होते, परंतु वरवर पाहता त्यांचे विचार बदलले. मी आवश्यक अक्षरांसाठी स्वतंत्र फोल्डर तयार करून आणि मेल वेब इंटरफेसमध्ये आवश्यक अक्षरांसाठी फिल्टर सेट करून ही समस्या सोडवली. अशा प्रकारे, शोधासाठी फक्त आवश्यक अक्षरे आणि अटी, माझ्या बाबतीत, फक्त (न पाहिलेले) या फोल्डरमध्ये येतात.

सारांश, आमच्याकडे खालील क्रम आहे: आम्ही अटी पूर्ण करणारी नवीन अक्षरे आहेत का ते तपासतो, जर असतील तर आम्ही शेवटच्या अक्षरातील दुवा वापरून संग्रहण डाउनलोड करतो.
शेवटच्या बिंदूंखाली, हे वगळले आहे की हे संग्रहण अनपॅक केले जाईल, संग्रहणातील डेटा साफ केला जाईल आणि त्यावर प्रक्रिया केली जाईल आणि परिणामी, संपूर्ण गोष्ट ईटीएल प्रक्रियेच्या पाइपलाइनवर जाईल, परंतु हे आधीच पलीकडे आहे. लेखाची व्याप्ती. जर ते मनोरंजक आणि उपयुक्त ठरले, तर मी आनंदाने अपाचे एअरफ्लोसाठी ईटीएल सोल्यूशन्स आणि त्यांच्या भागांचे वर्णन करणे सुरू ठेवेन.

स्त्रोत: www.habr.com