Habka ETL ee soo celinta xogta emaylka ee Apache Airflow

Si kasta oo ay tignoolajiyadu u horumarto, habab duugoobay ayaa had iyo jeer ka dambeeya horumarka. Tan waxaa sabab u ah kala-guurka fudud, arrimaha aadanaha, baahida tignoolajiyada, ama wax kale. Dhinaca habaynta xogta, ilaha xogta ayaa ah kuwa ugu muujinta badan qaybtan. Si kastaba ha ahaatee inta aan ku riyooneyno inaan ka takhalusno tan, laakiin ilaa hadda qayb ka mid ah xogta waxaa loo diraa fariimaha degdega ah iyo emails, oo aan ku xusin qaabab badan oo qadiimi ah. Waxaan kugu martiqaadayaa inaad kala saarto mid ka mid ah fursadaha Apache Airflow, oo muujinaya sida aad xogta uga qaadan karto iimaylada.

prehistory

Xog badan ayaa wali lagu kala qaadaa iimaylka, laga soo bilaabo isgaarsiinta dadka dhexdooda ilaa heerarka is dhexgalka shirkadaha. Way fiicantahay haddii aad qori karto interface si aad xogta u hesho ama aad dadka u geliso xafiiska kuwaas oo geli doona macluumaadkan ilo ku habboon, laakiin inta badan suurtagalnimadan ayaa laga yaabaa inaysan halkaas joogin. Hawsha gaarka ah ee aan la kulmay waxay ahayd ku xidhidhiyaha nidaamka CRM ee caanka ah bakhaarka xogta, ka dibna nidaamka OLAP. Taariikh ahaan, shirkaddayada, isticmaalka nidaamkani wuxuu ahaa mid ku habboon meel gaar ah oo ganacsi ah. Sidaa darteed, qof kastaa wuxuu runtii rabay inuu awood u yeesho inuu ku shaqeeyo xogta nidaamkan dhinac saddexaad sidoo kale. Ugu horreyntii, dabcan, suurtagalnimada helitaanka xogta API-ga furan ayaa la sahamiyay. Nasiib darro, API ma daboolin helitaanka dhammaan xogta lagama maarmaanka ah, iyo, ereyada fudud, waxay ahayd inta badan qalloocan, iyo taageerada farsamo ma aysan rabin ama awoodin inay la kulmaan kala bar si ay u bixiyaan hawlo badan oo dhamaystiran. Laakiin nidaamkani waxa uu siiyay fursad uu ku helo xogta maqan iimaylka xilliyada qaarkood qaab xidhiidhiye si loo soo dejiyo kaydka.

Waa in la ogaadaa in tani aysan ahayn kiis kaliya ee ganacsigu rabay inuu ka ururiyo xogta emails ama fariimaha degdega ah. Si kastaba ha ahaatee, kiiskan, ma saameyn karno shirkad saddexaad oo bixisa qayb ka mid ah xogta habkan oo keliya.

Socodka hawada Apache

Si loo dhiso hababka ETL, waxaan inta badan isticmaalnaa Apache Airflow. Si akhristaha aan aqoonta u lahayn tignoolajiyadan uu si fiican u fahmo sida ay u ekaanayso macnaha guud iyo guud ahaan, waxaan ku tilmaami doonaa dhowr hor-dhac ah.

Apache Airflow waa madal bilaash ah oo loo isticmaalo in lagu dhiso, lagu fuliyo laguna kormeero ETL (Soosaar-Transform-Loading) hababka Python. Fikradda ugu weyn ee socodka hawadu waa garaaf acyclic ah oo toosan, halkaasoo geesaha garaafku ay yihiin habab gaar ah, iyo cidhifyada garaafku waa socodka xakamaynta ama macluumaadka. Nidaamku wuxuu si fudud u wici karaa shaqo kasta oo Python ah, ama waxay yeelan kartaa caqli badan oo kakan oo si isdaba joog ah ugu yeera dhowr hawlood oo macnaha guud ee fasalka ah. Hawlgallada ugu badan, waxaa horeyba u jiray horumarro badan oo diyaarsan oo loo isticmaali karo habraac ahaan. Horumarka noocaan ah waxaa ka mid ah:

• hawl-wadeennada - u wareejinta xogta meel ilaa meel kale, tusaale ahaan, miiska xogta kaydinta xogta;
• dareemayaasha - sugitaanka dhacdada dhacdo gaar ah oo hagaya socodka xakamaynta ee geesaha xiga ee garaafka;
• jillaabyada - hawlgallada heerka hoose, tusaale ahaan, si aad xogta uga hesho miiska xogta (loo isticmaalo hadallada);
• iyo wixii la mid ah.

Ma habboonayn in Apache Airflow si faahfaahsan loogu qeexo maqaalkan. Hordhac kooban ayaa la eegi karaa halkan ama halkan.

Hook si aad u hesho xogta

Marka hore, si loo xalliyo dhibaatada, waxaan u baahannahay inaan qorno jillaab aan ku sameyn karno:

• ku xidhid iimaylka;
• Hel warqadda aad u baahan tahay;
• ka hel xogta warqadda.

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

Caqligu waa kan: waan isku xireynaa, helnaa xarafka ugu dambeeya ee ugu habboon, haddii ay jiraan kuwa kale, waan iska indhatiray. Shaqadan ayaa la isticmaalaa, sababtoo ah xarfaha dambe waxay ka kooban yihiin dhammaan xogta kuwii hore. Haddi aanay taasi arinku ahayn, waxa aad soo celin kartaa xarfaha oo dhan, ama waxa aad ka shaqayn kartaa midda hore, inta soo hadhayna waxa aad mari kartaa kaarka xiga. Guud ahaan, wax walba, sida had iyo jeer, waxay kuxirantahay hawsha.

Waxaan ku darnaa laba hawlood oo caawiye ah: si loo soo dejiyo faylka iyo soo dejinta faylka iyadoo la adeegsanayo isku xirka xarafka. Jid ahaan, waxay ku dari karaan hawlwadeenka, waxay kuxirantahay inta jeer ee isticmaalka shaqadan. Maxaa kale oo lagu daro jillaab, mar kale, waxay kuxirantahay hawsha: haddii faylasha isla markiiba la helo warqadda, markaa waxaad soo dejisan kartaa lifaaqyada warqadda, haddii xogtu ku timaado warqadda, markaa waxaad u baahan tahay inaad kala soo baxdo warqadda, iwm. Xaaladeyda, warqaddu waxay la timaaddaa hal xiriiriye oo kaydka ah, kaas oo aan u baahanahay inaan dhigo meel gaar ah oo aan bilaabo habayn dheeraad ah.

    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)

Koodhku waa sahlan yahay, markaa si dhib leh uma baahna sharraxaad dheeraad ah. Kaliya waxaan kaaga sheegi doonaa wax ku saabsan khadka sixirka imap_conn_id. Apache Airflow waxay kaydisaa xuduudaha isku xidhka (galitaanka, erayga sirta ah, ciwaanka, iyo xuduudo kale) kuwaas oo uu gali karo aqoonsiga xadhiga. Muuqaal ahaan, maaraynta isku xidhka ayaa sidan u eeg

Dareemka sugitaanka xogta

Maadaama aan horeyba u naqaanay sida loo xiro oo aan xogta uga helno boostada, hadda waxaan qori karnaa dareeraha si aan u sugno. Xaaladeyda, isla markiiba qorista hawlwadeen ka baaraandegi doona xogta, haddii ay jiraan, ma shaqeynin, maadaama habab kale ay shaqeeyaan iyadoo lagu saleynayo xogta laga helo boostada, oo ay ku jiraan kuwa ka qaata xogta la xiriirta ilo kale (API, telephony, metrik webka, iwm) iwm.). Aan tusaale ku siiyo. Isticmaale cusub ayaa ka soo muuqday nidaamka CRM, welina ma ogin UUID-giisa. Kadib, marka aan isku dayno inaan ka helno xogta taleefanka SIP, waxaan heli doonaa wicitaano ku xiran UUID-keeda, laakiin ma awoodi doono inaan si sax ah u keydiyo oo aan isticmaalno. Su'aalahan oo kale, waxaa muhiim ah in maskaxda lagu hayo ku tiirsanaanta xogta, gaar ahaan haddii ay yihiin ilo kala duwan. Kuwani waa, dabcan, tallaabooyin aan ku filnayn si loo ilaaliyo daacadnimada xogta, laakiin xaaladaha qaarkood waa lagama maarmaan. Iyo in la amaahdo kheyraadka iyadoo aan shaqeynin sidoo kale waa caqli-gal.

Markaa, dareemahayagu wuxuu bilaabi doonaa geesaha xiga ee garaafyada haddii ay jiraan macluumaad cusub oo ku jira boostada, sidoo kale wuxuu calaamadin doonaa macluumaadka hore mid aan khusayn.

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

Qaadashada iyo isticmaalka xogta

Si loo helo loona habeeyo xogta, waxaad qori kartaa hawlwadeen gaar ah, waxaad isticmaali kartaa kuwa diyaarsan. Maaddaama ilaa hadda caqligu yahay wax aan macquul ahayn - in laga soo qaado xogta xarafka, tusaale ahaan, waxaan soo jeedinayaa heerka PythonOperator.

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

Jid ahaan, haddii iimaylkaaga shirkadu uu sidoo kale ku yaal mail.ru, markaa ma awoodi doontid inaad ku raadiso xarfaha mawduuca, soo diraha, iwm. Waxay ballan qaadeen inay dib u soo bandhigi doonaan 2016, laakiin sida muuqata waxay beddeleen maskaxdooda. Waxaan xaliyay dhibaatadan anigoo abuuraya gal gaar ah oo loogu talagalay xarfaha lagama maarmaanka ah iyo dejinta shaandhaynta shabakada boostada ee xarfaha lagama maarmaanka ah. Markaa, kaliya xarfaha lagama maarmaanka ah iyo shuruudaha raadinta, kiiskeyga, si fudud (AAN LA ARAGIN) gal galkan.

Soo koobid, waxaan haynaa taxanaha soo socda: waxaan hubineynaa haddii ay jiraan xarfo cusub oo buuxiya shuruudaha, haddii ay jiraan, ka dibna waxaan soo dejineynaa kaydka annaga oo isticmaalaya xiriirka ka xarafka ugu dambeeya.
Marka la eego dhibcaha ugu dambeeya, waxaa laga saarayaa in kaydkan la furi doono, xogta kaydka waa la nadiifin doonaa oo laga baaraandegi doonaa, natiijaduna waxay tahay, wax walbaa waxay sii socon doonaan dhuumaha geedi socodka ETL, laakiin tani mar hore way dhaaftay. baaxadda maqaalka. Haddii ay noqoto mid xiiso leh oo faa'iido leh, markaa waxaan si farxad leh u sii wadi doonaa inaan sharaxo xalalka ETL iyo qaybahooda Apache Airflow.

Source: www.habr.com