290 lines
10 KiB
Markdown
290 lines
10 KiB
Markdown
# parse_emails_tower_v1.3
|
||
|
||
## Spuštění
|
||
|
||
**První spuštění:**
|
||
```bash
|
||
docker exec -d python-runner bash -c \
|
||
"python /scripts/parse_emails_tower_v1.3.py > /scripts/parse_emails_tower.log 2>&1"
|
||
```
|
||
|
||
**Pokračování po přerušení (přeskočí už importované):**
|
||
```bash
|
||
docker exec -d python-runner bash -c \
|
||
"python /scripts/parse_emails_tower_v1.3.py --skip-existing > /scripts/parse_emails_tower.log 2>&1"
|
||
```
|
||
|
||
---
|
||
|
||
## Stav importu
|
||
|
||
**Sledování průběhu (live log):**
|
||
```bash
|
||
docker exec -it python-runner tail -f /scripts/parse_emails_tower.log
|
||
```
|
||
|
||
**Počet emailů v MongoDB:**
|
||
```bash
|
||
docker exec -it python-runner python -c \
|
||
"from pymongo import MongoClient; c=MongoClient('mongodb://192.168.1.76:27017'); print(c['emaily']['vbuzalka@its.jnj.com'].count_documents({}))"
|
||
```
|
||
|
||
---
|
||
|
||
**Název:** parse_emails_tower_v1.3.py
|
||
**Verze:** 1.3
|
||
**Datum:** 2026-06-08
|
||
**Autor:** vladimir.buzalka
|
||
|
||
---
|
||
|
||
## Účel
|
||
|
||
Import všech `.msg` souborů do MongoDB. Z každého souboru extrahuje **všechny dostupné vlastnosti** — podobně jako EXIF u fotek.
|
||
|
||
- **DB:** `emaily`
|
||
- **Kolekce:** `vbuzalka@its.jnj.com`
|
||
- `_id` = Internet Message-ID (nebo `filename:<stem>` jako fallback)
|
||
- Bezpečné přerušit a opakovat — upsert podle `_id`
|
||
|
||
---
|
||
|
||
## Prostředí
|
||
|
||
Běží v Docker containeru **python-runner** na **Unraid Tower**.
|
||
|
||
| Komponenta | Umístění |
|
||
|---|---|
|
||
| Container | `python-runner` (Docker na Unraid Tower) |
|
||
| .msg soubory | `/mnt/user/JNJEMAILS` → `/mnt/JNJEMAILS` uvnitř containeru |
|
||
| Skripty | `/mnt/user/Scripts` → `/scripts` uvnitř containeru |
|
||
| MongoDB | `192.168.1.76:27017` (externí, mimo container) |
|
||
|
||
---
|
||
|
||
## Spouštění (z Unraid terminálu)
|
||
|
||
**Test na 50 emailech:**
|
||
```bash
|
||
docker exec -it python-runner python /scripts/parse_emails_tower_v1.3.py --limit 50 --no-indexes
|
||
```
|
||
|
||
**Kompletní import na pozadí (log do souboru):**
|
||
```bash
|
||
docker exec -d python-runner bash -c \
|
||
"python /scripts/parse_emails_tower_v1.3.py > /scripts/parse_emails_tower.log 2>&1"
|
||
```
|
||
|
||
**Pokračování po přerušení:**
|
||
```bash
|
||
docker exec -d python-runner bash -c \
|
||
"python /scripts/parse_emails_tower_v1.3.py --skip-existing > /scripts/parse_emails_tower.log 2>&1"
|
||
```
|
||
|
||
**Sledování průběhu (Ctrl+C ukončí sledování, import běží dál):**
|
||
```bash
|
||
docker exec -it python-runner tail -f /scripts/parse_emails_tower.log
|
||
```
|
||
|
||
### Všechny parametry
|
||
|
||
| Parametr | Popis |
|
||
|---|---|
|
||
| `--skip-existing` | Načte seznam hotových souborů z MongoDB a přeskočí je. Použij pro pokračování po přerušení. |
|
||
| `--limit N` | Zpracuje jen prvních N souborů. Vhodné pro test. |
|
||
| `--no-indexes` | Nevytváří indexy na konci. Použij pokud přerušíš uprostřed — indexy vytvoř ručně až je vše hotové. |
|
||
| `--msgs-dir PATH` | Přepíše výchozí cestu k .msg souborům (výchozí: `/mnt/JNJEMAILS`). |
|
||
|
||
---
|
||
|
||
## Průběh na konzoli
|
||
|
||
Každý email na jednom řádku:
|
||
```
|
||
1/69371 OK RE: Protocol deviation CZ10022 jan.novak@its.jnj.com
|
||
2/69371 OK UCO3001: Draft FUL pro DD5-CZ10022 monitor@4gclinical.com
|
||
3/69371 ERR ? ?
|
||
```
|
||
|
||
Každých 500 emailů oddělovač s průběhem:
|
||
```
|
||
────────────────────────────────────────────────────────────────────────────────
|
||
Průběh: ok=498 err=2 0.4 msg/s ETA 47h12m
|
||
────────────────────────────────────────────────────────────────────────────────
|
||
```
|
||
|
||
Na konci souhrn:
|
||
```
|
||
====================================================
|
||
Vysledek: ok=69300 | skip=0 | err=71
|
||
Celkovy cas: 47h 23m 10s
|
||
Dokumentu v kolekci: 69300
|
||
```
|
||
|
||
---
|
||
|
||
## Zdroje dat z každého .msg
|
||
|
||
| Pole | Popis |
|
||
|---|---|
|
||
| Předmět, normalized subject | |
|
||
| Odesílatel | email, jméno, SMTP adresa |
|
||
| Příjemci To/CC/BCC | strukturovaně `[{type, email, name}]` |
|
||
| Čas doručení a odeslání | UTC |
|
||
| Tělo | plaintext + HTML (max 2 MB) |
|
||
| Přílohy | metadata: jméno, velikost, MIME typ, inline flag |
|
||
| Internet headers | X-Originating-IP, Received, DKIM, X-Mailer, ... |
|
||
| MAPI | důležitost, citlivost, příznak, konverzační vlákno, kategorie |
|
||
| In-Reply-To, References | pro rekonstrukci vlákna |
|
||
| Raw MAPI properties | `{0xXXXX: value}` |
|
||
|
||
---
|
||
|
||
## Hodnotové kódy
|
||
|
||
| Pole | Hodnota | Význam |
|
||
|---|---|---|
|
||
| `importance` | 0 | Nízká |
|
||
| | 1 | Normální |
|
||
| | 2 | Vysoká |
|
||
| `sensitivity` | 0 | Normální |
|
||
| | 1 | Osobní |
|
||
| | 2 | Soukromé |
|
||
| | 3 | Důvěrné |
|
||
| `flag_status` | 0 | Bez příznaku |
|
||
| | 1 | Označeno (follow up) |
|
||
| | 2 | Dokončeno |
|
||
|
||
---
|
||
|
||
## MongoDB indexy
|
||
|
||
Automaticky vytvořeny na konci importu (`--no-indexes` přeskočí):
|
||
|
||
| Index | Pole |
|
||
|---|---|
|
||
| Chronologický | `received_at`, `sent_at` |
|
||
| Odesílatel | `sender.email` |
|
||
| Soubor | `filename` (unique) |
|
||
| Konverzace | `conversation_topic` |
|
||
| Filtry | `has_attachments`, `categories`, `importance`, `flag_status` |
|
||
| Full-text | `subject` + `body_text` + `to` + `cc` (text index `text_search`) |
|
||
|
||
---
|
||
|
||
## Ukázkové dotazy (MongoDB shell / MCP)
|
||
|
||
**Emaily o UCO3001 s přílohou:**
|
||
```javascript
|
||
db["vbuzalka@its.jnj.com"].find({
|
||
$text: { $search: "UCO3001" },
|
||
has_attachments: true
|
||
}).sort({ received_at: -1 })
|
||
```
|
||
|
||
**Emaily od konkrétního odesílatele:**
|
||
```javascript
|
||
db["vbuzalka@its.jnj.com"].find({
|
||
"sender.email": /covance/i
|
||
}).sort({ received_at: -1 })
|
||
```
|
||
|
||
**Celé konverzační vlákno:**
|
||
```javascript
|
||
db["vbuzalka@its.jnj.com"].find({
|
||
conversation_topic: "Protocol deviation CZ10022"
|
||
}).sort({ received_at: 1 })
|
||
```
|
||
|
||
**Statistiky podle odesílatele (top 20):**
|
||
```javascript
|
||
db["vbuzalka@its.jnj.com"].aggregate([
|
||
{ $group: { _id: "$sender.email", count: { $sum: 1 } } },
|
||
{ $sort: { count: -1 } },
|
||
{ $limit: 20 }
|
||
])
|
||
```
|
||
|
||
---
|
||
|
||
## Chybový log
|
||
|
||
Soubory které selhaly jsou zalogovány do **samostatného** `parse_emails_tower_errors.log` vedle skriptu (tj. `/scripts/parse_emails_tower_errors.log` → `\\tower\Scripts\parse_emails_tower_errors.log`). Tento log je oddělený od Graph importu, aby v něm nebyl bordel:
|
||
```
|
||
2026-06-08 12:40:33 | open failed [7A3F...0000.msg]: <důvod>
|
||
2026-06-08 12:41:02 | per-dokument selhal [_id=<...>]: <důvod>
|
||
```
|
||
|
||
Stdout (průběh) jde do `parse_emails_tower.log` — rovněž samostatný.
|
||
|
||
---
|
||
|
||
## Záchrana problémových .msg (v1.3)
|
||
|
||
Některé `.msg` defaultní `extract_msg` neumí otevřít a celý soubor zahodí, **i když email je naprosto v pořádku** (jde otevřít v Outlooku). Tři příčiny a jejich řešení:
|
||
|
||
| Příčina | Příklad | Řešení |
|
||
|---|---|---|
|
||
| Vadná příloha bez `PR_ATTACH_METHOD` | „Attachment method missing" | `errorBehavior=SUPPRESS_ALL` — vadnou přílohu přeskočí, zbytek (tělo, ostatní přílohy) načte |
|
||
| Tělo deklaruje codepage 1200 (UTF-16), ale bajty jsou cp1250/gb2312 | české `�` místo diakritiky | raw-OLE čtení + kaskádové dekódování |
|
||
| Vnořený email (Outlook item) | „not an MSG file", `extract_msg` vrátí prázdno | raw-OLE čtení klíčových MAPI streamů |
|
||
|
||
**Jak to funguje:**
|
||
|
||
1. `open_message()` — kaskádové otevření: `normal` → `SUPPRESS_ALL` → `+overrideEncoding` (dle codepage property).
|
||
2. **raw-OLE fallback** — když extract_msg vrátí prázdno/`�` nebo musel hádat kódování, klíčová pole (subject, sender, body, html) se dočtou **přímo z OLE streamů** (`__substg1.0_0037`/`0C1A`/`5D01`/`1000`/`1013`) s kaskádovým dekódováním:
|
||
```
|
||
utf-8 (strict) → kódování dle CPID → cp1250 → cp1252 → gb2312 → latin-1
|
||
```
|
||
Hlavičkám o kódování se **nevěří** (často si protiřečí); bere se první kódování, které projde striktně bez chyby. `utf-8 strict` je silný rozlišovač.
|
||
|
||
**Nová pole v dokumentu:**
|
||
|
||
| Pole | Význam |
|
||
|---|---|
|
||
| `parse_mode` | `normal` / `suppress_all` / `override:<enc>` — jak byl soubor otevřen |
|
||
| `parse_degraded` | `true` = byl potřeba fallback (vadná příloha nebo hádané kódování) |
|
||
|
||
**Ověřeno:** všech 126 dříve selhaných souborů z běhu 8.6. se obnoví čistě (74× `suppress_all`, 52× `override:cp1250`), 0 prázdných, 0 s `�`.
|
||
|
||
Dohledání degradovaných:
|
||
```javascript
|
||
db["vbuzalka@its.jnj.com"].find({ parse_degraded: true })
|
||
```
|
||
|
||
---
|
||
|
||
## Výkon
|
||
|
||
| Parametr | Hodnota |
|
||
|---|---|
|
||
| Počet souborů | ~69 000 |
|
||
| Rychlost | ~0.4 msg/s (htmlBody dekódování) |
|
||
| Odhadovaný čas | 48 hodin |
|
||
| Batch size | 200 dokumentů / bulk_write |
|
||
| Odhadovaná velikost DB | 2–5 GB |
|
||
|
||
---
|
||
|
||
## Závislosti (v Docker image python-runner)
|
||
|
||
```
|
||
extract-msg==0.55.0
|
||
olefile
|
||
pymongo
|
||
python-dateutil
|
||
```
|
||
|
||
Image sestaven z `Dockerfile` v `/mnt/user/Scripts/python-runner/`.
|
||
|
||
---
|
||
|
||
## Historie verzí
|
||
|
||
| Verze | Datum | Změna |
|
||
|---|---|---|
|
||
| 1.0 | 2026-06-01 | Iniciální verze |
|
||
| 1.1 | 2026-06-02 | Nasazení na Unraid Tower v Docker containeru python-runner; MSGS_DIR změněno z SMB share (`\\tower\JNJEMAILS`) na lokální mount (`/mnt/JNJEMAILS`); aktualizován popis spouštění pro `docker exec` |
|
||
| 1.2 | 2026-06-08 | **Oprava `to_bson`:** int mimo rozsah int64 (BSON umí jen 8-byte ints) se převede na string — dřív celý `bulk_write` spadl na `MongoDB can only handle up to 8-byte ints` a zahodil celou dávku 200 dokumentů (běh v1.1 z 8.6. neuložil **nic**). `flush()` má fallback per-dokument (vadný záznam zahodí sám, ne celou dávku). `bool()` testován před `int()`. Samostatné logy `parse_emails_tower.log` + `parse_emails_tower_errors.log`. |
|
||
| 1.3 | 2026-06-08 | **Záchrana dříve selhaných .msg** (cca 126 z běhu 8.6.): `open_message()` kaskádové otevření (`normal`→`SUPPRESS_ALL`→`+overrideEncoding`) řeší vadné přílohy i „not an MSG file"; **raw-OLE fallback** dočítá subject/sender/body/html přímo z OLE streamů s kaskádovým dekódováním (utf-8 strict→CPID→cp1250…), když extract_msg vrátí prázdno/`�`. Nová pole `parse_mode`, `parse_degraded`. Nová závislost `olefile`. Ověřeno: 126/126 obnoveno čistě. |
|