Écrire des DAG Airflow

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Ce guide explique comment écrire un graphe orienté acyclique avec Apache Airflow (DAG) qui s'exécute dans un environnement Cloud Composer.

Comme Apache Airflow ne fournit pas une forte isolation des DAG et des tâches, nous vous recommandons d'utiliser des environnements de production et de test distincts pour éviter toute interférence des DAG. Pour en savoir plus, reportez-vous à la section Tester les DAG.

Structurer un DAG Airflow

Un DAG Airflow est défini dans un fichier Python et comprend les composants suivants :

  • Définition du DAG
  • Opérateurs Airflow
  • Relations entre les opérateurs

Les extraits de code suivants illustrent des exemples de chaque composant hors contexte.

Une définition de DAG

L'exemple suivant illustre un DAG Airflow. définition:

import datetime

from airflow import models

default_dag_args = {
    # The start_date describes when a DAG is valid / can be run. Set this to a
    # fixed point in time rather than dynamically, since it is evaluated every
    # time a DAG is parsed. See:
    # https://airflow.apache.org/faq.html#what-s-the-deal-with-start-date
    "start_date": datetime.datetime(2018, 1, 1),
}

# Define a DAG (directed acyclic graph) of tasks.
# Any task you create within the context manager is automatically added to the
# DAG object.
with models.DAG(
    "composer_sample_simple_greeting",
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:

Opérateurs et tâches

Les opérateurs Airflow décrivent la tâche à effectuer. Une tâche task est une instance spécifique d'un opérateur.

from airflow.operators.bash import BashOperator
from airflow.operators.python import PythonOperator

    def greeting():
        import logging

        logging.info("Hello World!")

    # An instance of an operator is called a task. In this case, the
    # hello_python task calls the "greeting" Python function.
    hello_python = PythonOperator(task_id="hello", python_callable=greeting)

    # Likewise, the goodbye_bash task calls a Bash script.
    goodbye_bash = BashOperator(task_id="bye", bash_command="echo Goodbye.")

Relations entre les tâches

Les relations de tâches décrivent l'ordre dans pour laquelle le travail doit être terminé.

# Define the order in which the tasks complete by using the >> and <<
# operators. In this example, hello_python executes before goodbye_bash.
hello_python >> goodbye_bash

Exemple de workflow DAG complet en Python

Le workflow suivant est un modèle de DAG complet et composé des éléments suivants : Deux tâches: une tâche hello_python et une tâche goodbye_bash:


import datetime

from airflow import models

from airflow.operators.bash import BashOperator
from airflow.operators.python import PythonOperator



default_dag_args = {
    # The start_date describes when a DAG is valid / can be run. Set this to a
    # fixed point in time rather than dynamically, since it is evaluated every
    # time a DAG is parsed. See:
    # https://airflow.apache.org/faq.html#what-s-the-deal-with-start-date
    "start_date": datetime.datetime(2018, 1, 1),
}

# Define a DAG (directed acyclic graph) of tasks.
# Any task you create within the context manager is automatically added to the
# DAG object.
with models.DAG(
    "composer_sample_simple_greeting",
    schedule_interval=datetime.timedelta(days=1),
    default_args=default_dag_args,
) as dag:
    def greeting():
        import logging

        logging.info("Hello World!")

    # An instance of an operator is called a task. In this case, the
    # hello_python task calls the "greeting" Python function.
    hello_python = PythonOperator(task_id="hello", python_callable=greeting)

    # Likewise, the goodbye_bash task calls a Bash script.
    goodbye_bash = BashOperator(task_id="bye", bash_command="echo Goodbye.")

    # Define the order in which the tasks complete by using the >> and <<
    # operators. In this example, hello_python executes before goodbye_bash.
    hello_python >> goodbye_bash

Pour en savoir plus sur la définition des DAG Airflow, consultez le tutoriel Airflow et les concepts Airflow.

Opérateurs Airflow

Les exemples suivants présentent quelques opérateurs Airflow connus. Pour obtenir une documentation de référence faisant autorité sur les opérateurs Airflow, consultez la documentation de référence sur les opérateurs et les hooks et l'index des fournisseurs.

BashOperator

Utilisez BashOperator pour exécuter des programmes de ligne de commande.

from airflow.operators import bash

    # Create BigQuery output dataset.
    make_bq_dataset = bash.BashOperator(
        task_id="make_bq_dataset",
        # Executing 'bq' command requires Google Cloud SDK which comes
        # preinstalled in Cloud Composer.
        bash_command=f"bq ls {bq_dataset_name} || bq mk {bq_dataset_name}",
    )

Cloud Composer exécute les commandes fournies dans un script Bash sur un nœud de calcul Airflow. Le nœud de calcul est un conteneur Docker basé sur Debian et comprend plusieurs packages.

PythonOperator

Utilisez PythonOperator pour exécuter du code Python arbitraire.

Cloud Composer exécute le code Python dans un conteneur qui inclut des packages pour la version d'image Cloud Composer utilisée dans votre environnement.

Pour installer des packages Python supplémentaires, reportez-vous à la section Installer des dépendances Python.

Opérateurs Google Cloud

Pour exécuter des tâches qui utilisent des produits Google Cloud, utilisez les opérateurs Airflow pour Google Cloud. Par exemple, les opérateurs BigQuery interrogent et traitent les données dans BigQuery.

Il existe de nombreux autres opérateurs Airflow pour Google Cloud, ainsi que des services individuels fournis par Google Cloud. Pour obtenir la liste complète, consultez la page Opérateurs Google Cloud.

from airflow.providers.google.cloud.operators import bigquery
from airflow.providers.google.cloud.transfers import bigquery_to_gcs

    bq_recent_questions_query = bigquery.BigQueryInsertJobOperator(
        task_id="bq_recent_questions_query",
        configuration={
            "query": {
                "query": RECENT_QUESTIONS_QUERY,
                "useLegacySql": False,
                "destinationTable": {
                    "projectId": project_id,
                    "datasetId": bq_dataset_name,
                    "tableId": bq_recent_questions_table_id,
                },
            }
        },
        location=location,
    )

EmailOperator

Utilisez EmailOperator pour envoyer un e-mail à partir d'un DAG. Pour envoyer des e-mails à partir d'un environnement Cloud Composer, configurez votre environnement pour qu'il utilise SendGrid.

from airflow.operators import email

    # Send email confirmation (you will need to set up the email operator
    # See https://cloud.google.com/composer/docs/how-to/managing/creating#notification
    # for more info on configuring the email operator in Cloud Composer)
    email_summary = email.EmailOperator(
        task_id="email_summary",
        to="{{var.value.email}}",
        subject="Sample BigQuery notify data ready",
        html_content="""
        Analyzed Stack Overflow posts data from {min_date} 12AM to {max_date}
        12AM. The most popular question was '{question_title}' with
        {view_count} views. Top 100 questions asked are now available at:
        {export_location}.
        """.format(
            min_date=min_query_date,
            max_date=max_query_date,
            question_title=(
                "{{ ti.xcom_pull(task_ids='bq_read_most_popular', "
                "key='return_value')[0][0] }}"
            ),
            view_count=(
                "{{ ti.xcom_pull(task_ids='bq_read_most_popular', "
                "key='return_value')[0][1] }}"
            ),
            export_location=output_file,
        ),
    )

Notifications en cas d'échec de l'opérateur

Définissez email_on_failure sur True pour envoyer une notification par e-mail lorsqu'un opérateur du DAG échoue. Pour envoyer des notifications par e-mail à partir d'un environnement Cloud Composer, vous devez configurer votre environnement pour qu'il utilise SendGrid.

from airflow import models

default_dag_args = {
    "start_date": yesterday,
    # Email whenever an Operator in the DAG fails.
    "email": "{{var.value.email}}",
    "email_on_failure": True,
    "email_on_retry": False,
    "retries": 1,
    "retry_delay": datetime.timedelta(minutes=5),
    "project_id": project_id,
}

with models.DAG(
    "composer_sample_bq_notify",
    schedule_interval=datetime.timedelta(weeks=4),
    default_args=default_dag_args,
) as dag:

Consignes concernant le workflow du DAG

  • Placez toutes les bibliothèques Python personnalisées dans l'archive ZIP des DAG, dans un répertoire imbriqué. Ne placez pas de bibliothèques au niveau supérieur du répertoire des DAG.

    Lorsqu'Airflow analyse le dossier dags/, il ne recherche que les DAG dans Modules Python situés au premier niveau du dossier des DAG et au sommet d'une archive ZIP également située dans le dossier dags/ de premier niveau. Si Airflow rencontre un module Python dans une archive ZIP qui ne contient pas à la fois des sous-chaînes airflow et DAG, Airflow arrête de traiter le fichier ZIP archiver. Airflow ne renvoie que les DAG trouvés jusqu'à ce point.

  • Pour la tolérance aux pannes, ne définissez pas plusieurs objets DAG dans le même module Python.

  • N'utilisez pas de subDAG. À la place, regrouper des tâches dans des DAG.

  • Placez les fichiers requis au moment de l'analyse du DAG dans le dossier dags/, et non dans dans le dossier data/.

  • Implémentez des tests unitaires pour vos DAG.

  • Testez les DAG développés ou modifiés comme recommandé des instructions pour tester les DAG.

  • L'outil de CLI de développement local Composer simplifie le développement de DAG Apache Airflow pour Cloud Composer 2 en exécutant un environnement Airflow localement. Cet environnement Airflow local utilise une image d'une version Cloud Composer 2 spécifique.

  • Vérifiez que les DAG développés n'augmentent pas trop les durées d'analyse des DAG.

  • Les tâches Airflow peuvent échouer pour plusieurs raisons. Pour éviter les échecs de l'exécution complète d'un DAG, nous vous recommandons d'activer les nouvelles tentatives de tâches. Si vous définissez le nombre maximal de tentatives sur 0, aucune tentative n'est effectuée.

    Nous vous recommandons de remplacer le l'option default_task_retries avec une valeur pour de nouvelles tentatives d'exécution de tâches autres que 0. De plus, vous pouvez définir Paramètre retries au niveau de la tâche.

  • Si vous souhaitez utiliser un GPU dans vos tâches Airflow, créez une couche Cluster GKE basé sur des nœuds utilisant des machines avec des GPU. Utilisez GKEStartPodOperator pour exécuter vos tâches.

  • Évitez d'exécuter des tâches gourmandes en processeur et en mémoire dans le pool de nœuds du cluster où d'autres composants Airflow (programmeurs, nœuds de calcul, serveurs Web) s'exécutent. Utilisez plutôt KubernetesPodOperator ou GKEStartPodOperator.

  • Lorsque vous déployez des DAG dans un environnement, n'importez dans le dossier /dags que les fichiers absolument nécessaires à l'interprétation et à l'exécution des DAG.

  • Limitez le nombre de fichiers DAG dans le dossier /dags.

    Airflow analyse en continu les DAG du dossier /dags. L'analyse est un processus qui parcourt le dossier des DAG, et le nombre de fichiers à charger (avec leurs dépendances) a un impact sur les performances de l'analyse des DAG et de la planification des tâches. Il est beaucoup plus efficace d'utiliser 100 fichiers avec 100 DAG chacun que 10 000 fichiers avec un DAG chacun. Par conséquent, une telle optimisation est recommandée. Cette optimisation constitue un équilibre entre et l'efficacité de la création et de la gestion des DAG.

    Par exemple, vous pouvez aussi envisager de déployer 10 000 fichiers DAG créer 100 fichiers ZIP contenant chacun 100 fichiers DAG.

    Outre les conseils ci-dessus, si vous avez plus de 10 000 fichiers DAG, générer des DAG de manière programmatique peut être une bonne option. Par exemple : vous pouvez implémenter un seul fichier DAG Python, qui génère un certain nombre Objets DAG (par exemple, 20 ou 100 objets DAG)

Questions fréquentes sur l'écriture des DAG

Comment réduire la répétition du code lorsque j'exécute des tâches identiques ou semblables dans plusieurs DAG ?

Nous vous recommandons de définir des bibliothèques et des wrappers afin de réduire la répétition du code.

Comment réutiliser le code à travers plusieurs fichiers DAG ?

Stockez les fonctions utilitaires dans une bibliothèque Python locale, puis importez-les. Vous pouvez référencer les fonctions de n'importe quel DAG situé dans le dossier dags/ du bucket de votre environnement.

Comment minimiser le risque d'apparition de définitions différentes ?

Imaginons que deux équipes souhaitent agréger des données brutes en métriques de revenus. Les équipes rédigent deux tâches légèrement différentes pour effectuer la même opération. Définissez les bibliothèques pour qu'elles fonctionnent avec les données sur les revenus. Ainsi, les développeurs des DAG doivent clarifier la définition des revenus en cours d'agrégation.

Comment définir des dépendances entre les DAG ?

Tout dépend de la manière dont vous souhaitez définir la dépendance.

Si vous avez deux DAG (DAG A et DAG B) et que vous souhaitez que le DAG B se déclenche après le DAG A, vous pouvez placer un TriggerDagRunOperator à la fin du DAG A.

Si le DAG B ne dépend que d'un artefact généré par le DAG A, tel qu'un message Pub/Sub, il est possible qu'un capteur fonctionne mieux.

Si le DAG B est étroitement intégré au DAG A, vous pourrez peut-être fusionner les deux DAG en un seul.

Comment transférer des ID d'exécution uniques à un DAG et à ses tâches ?

Imaginons que vous souhaitiez transférer les noms de cluster Dataproc et les chemins des fichiers.

Vous pouvez générer un ID aléatoire unique en renvoyant str(uuid.uuid4()) dans un opérateur PythonOperator. L'ID est alors placé dans XComs afin que vous puissiez y faire référence dans d'autres opérateurs via des champs modélisés.

Avant de générer un uuid, essayez de déterminer si un ID propre à DagRun serait plus utile. Vous pouvez également référencer ces ID dans les substitutions Jinja à l'aide de macros.

Comment séparer les tâches dans un DAG ?

Chaque tâche doit constituer une unité de travail idempotente. Par conséquent, évitez d'encapsuler un workflow en plusieurs étapes au sein d'une tâche unique, comme un programme complexe exécuté dans un opérateur PythonOperator.

Faut-il définir plusieurs tâches dans un même DAG pour agréger des données provenant de plusieurs sources ?

Par exemple, vous avez plusieurs tables avec des données brutes et vous souhaitez créer des agrégats quotidiens pour chaque table. Les tâches ne dépendent pas les unes des autres. Faut-il créer une tâche et un DAG pour chaque table ou créer un DAG général ?

Si vous acceptez que chaque tâche partage les mêmes propriétés au niveau du DAG, telles que schedule_interval, il est judicieux de définir plusieurs tâches dans un même DAG. Sinon, pour réduire la répétition du code, plusieurs DAG peuvent être générés à partir d'un seul module Python en les plaçant dans les globals() du module.

Comment limiter le nombre de tâches simultanées en cours d'exécution dans un DAG ?

Par exemple, vous souhaitez éviter de dépasser les limites/quotas d'utilisation de l'API ou éviter d'exécuter trop de processus simultanés.

Vous pouvez définir Pools Airflow dans l'interface utilisateur Web Airflow et associer des tâches avec les pools existants dans vos DAG.

Questions fréquentes sur l'utilisation des opérateurs

Faut-il utiliser l'opérateur DockerOperator ?

Nous vous déconseillons d'utiliser le DockerOperator, sauf s'il est utilisé pour lancer des conteneurs sur une installation Docker distante (et non dans la couche cluster). Dans un environnement Cloud Composer, l'opérateur n'a pas l'accès aux daemons Docker.

Utilisez plutôt KubernetesPodOperator ou GKEStartPodOperator Ces opérateurs lancent les pods Kubernetes dans Kubernetes ou les clusters GKE. Notez qu'il est déconseillé de lancer des pods dans le cluster d'un environnement, car cela peut entraîner une concurrence des ressources.

Faut-il utiliser l'opérateur SubDagOperator ?

Nous vous déconseillons d'utiliser l'opérateur SubDagOperator.

Utilisez les alternatives suggérées dans Regrouper des tâches.

Faut-il exécuter du code Python uniquement dans des opérateurs PythonOperators pour séparer complètement les opérateurs Python ?

En fonction de votre objectif, plusieurs options s'offrent à vous.

Si votre seule préoccupation est de conserver des dépendances Python distinctes, vous pouvez utiliser l'opérateur PythonVirtualenvOperator.

Envisagez d'utiliser KubernetesPodOperator. Cet opérateur vous permet de définir des pods Kubernetes et d'exécuter les pods dans d'autres clusters.

Comment ajouter des packages binaires personnalisés ou non PyPI ?

Vous pouvez installer des packages hébergés dans des dépôts de packages privés.

Comment transmettre uniformément des arguments à un DAG et à ses tâches ?

La compatibilité avec Airflow intégrée à la modélisation Jinja permet de transmettre des arguments pouvant être utilisés dans des champs modélisés.

Quand se produit la substitution de modèle ?

La substitution de modèle se produit sur les nœuds de calcul Airflow juste avant l'appel de la fonction pre_execute d'un opérateur. En pratique, cela signifie que les modèles ne sont remplacés que juste avant l'exécution d'une tâche.

Comment connaître les arguments d'opérateur compatibles avec la substitution de modèle ?

Les arguments d'opérateur compatibles avec la substitution de modèle Jinja2 sont explicitement marqués comme tels.

Recherchez le champ template_fields dans la définition de l'opérateur, qui contient la liste des noms d'arguments qui subiront une substitution de modèle.

Par exemple, consultez le BashOperator, qui est compatible avec la création de modèles les arguments bash_command et env.

Étape suivante