Cómo escribir DAG de Airflow

Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1

En esta guía, se muestra cómo escribir un grafo acíclico dirigido (DAG) de Apache Airflow que se ejecuta en un entorno de Cloud Composer.

Debido a que Apache Airflow no proporciona un aislamiento eficaz de DAG y tareas, te recomendamos que utilices entornos de prueba y producción separados para evitar la interferencia del DAG. Para obtener más información, consulta Probar DAG.

Nota: La forma en que implementas tus DAG influye en el rendimiento de la programación y la ejecución de los DAG. En las secciones Solución de problemas del programador y Solución de problemas de DAG, se proporciona información sobre cómo implementar y, luego, implementar tus DAGs de forma óptima y evitar errores comunes.

Cómo estructurar un DAG de Airflow

Un DAG de Airflow se define en un archivo de Python y está compuesto por los siguientes componentes:

• Definición del DAG
• Operadores de Airflow
• Relaciones con operadores

En los siguientes fragmentos de código, se muestran ejemplos de cada componente fuera de contexto.

Una definición de DAG

En el siguiente ejemplo, se muestra una definición de DAG de Airflow:

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:

Operadores y tareas

Los operadores de Airflow describen el trabajo que se debe realizar. Una tarea task es una instancia específica de un operador.

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.")

Relaciones entre tareas

Las relaciones entre tareas describen el orden en el que se debe completar el trabajo.

# 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

Ejemplo completo de flujo de trabajo de DAG en Python

El siguiente flujo de trabajo es una plantilla de DAG de trabajo completa que consta de dos tareas: una tarea hello_python y una tarea 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

Para obtener más información sobre cómo definir los DAG de Airflow, consulta el instructivo de Airflow y los conceptos de Airflow.

Operadores de Airflow

En los siguientes ejemplos, se muestran algunos operadores populares de Airflow. Para obtener una referencia fidedigna de los operadores de Airflow, consulta la Referencia de operadores y hooks y el Índice de proveedores.

BashOperator

Usa BashOperator para ejecutar programas de línea de comandos.

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 ejecuta los comandos proporcionados en una secuencia de comandos de Bash en un trabajador de Airflow. El trabajador es un contenedor de Docker basado en Debian que incluye varios paquetes.

• Comando gcloud, incluido el subcomando gcloud storage para trabajar con buckets de Cloud Storage
• Comando bq
• Comando kubectl

Nota: Para acceder a los pods en el clúster de GKE, usa los comandos kubectl que tengan en cuenta el espacio de nombres. Para todos los espacios de nombres, usa --all-namespaces. Para especificar un espacio de nombres, usa -n <namespace>.

PythonOperator

Usa PythonOperator para ejecutar código de Python arbitrario.

Cloud Composer ejecuta el código de Python en un contenedor que incluye paquetes para la versión de la imagen de Cloud Composer que se usa en tu entorno.

Para instalar paquetes adicionales de Python, consulta cómo instalar dependencias de Python.

OperadoresGoogle Cloud

Para ejecutar tareas que usan productos de Google Cloud , usa los operadores deGoogle Cloud Airflow. Por ejemplo, los operadores de BigQuery consultan y procesan datos en BigQuery.

Hay muchos más operadores de Airflow para Google Cloud y servicios individuales proporcionados por Google Cloud. Consulta Google Cloud Operadores para ver la lista completa.

Nota: Cloud Composer configura automáticamente conexiones de Airflow para muchos servicios de Google Cloud. Para obtener más información, consulta Administra conexiones de Airflow.

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

Usa el EmailOperator para enviar correos electrónicos desde un DAG. Para enviar correos electrónicos desde un entorno de Cloud Composer, configura tu entorno para usar 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,
        ),
    )

Notificaciones sobre fallas del operador

Configura email_on_failure como True para enviar una notificación por correo electrónico cuando un operador del DAG falle. Para enviar notificaciones por correo electrónico desde un entorno de Cloud Composer, debes configurar tu entorno para usar 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:

Lineamientos para el flujo de trabajo del DAG

• Coloca cualquier biblioteca de Python personalizada en el archivo ZIP de un DAG en un directorio anidado. No coloques bibliotecas en el nivel superior del directorio de DAG.

  Cuando Airflow escanea la carpeta dags/, Airflow solo busca DAG en los módulos de Python que se encuentran en el nivel superior de la carpeta de DAG y en el nivel superior de un archivo ZIP ubicado también en la carpeta dags/ de nivel superior. Si Airflow encuentra un módulo de Python en un archivo ZIP que no contiene las subcadenas airflow y DAG, Airflow deja de procesar el archivo ZIP. Airflow solo muestra los DAGs encontrados hasta ese momento.

• Para la tolerancia a errores, no definas varios objetos DAG en el mismo módulo de Python.

• No uses SubDAGs. En su lugar, agrupa las tareas dentro de los DAG.

• Coloca los archivos que se requieren en el tiempo de análisis de DAG en la carpeta dags/, no en la carpeta data/.

• Implementa pruebas de unidades para tus DAGs.

• Prueba los DAGs desarrollados o modificados según se recomienda en las instrucciones para probar DAGs.

• Verifica que los DAG desarrollados no aumenten demasiado los tiempos de análisis del DAG.

• Las tareas de Airflow pueden fallar por varios motivos. Para evitar fallas en las ejecuciones completas del DAG, te recomendamos que habilites los reintentos de tareas. Si se establece la cantidad máxima de reintentos en 0, no se realizarán reintentos.

  Te recomendamos que anules la opción default_task_retries con un valor para los reintentos de tareas que no sea 0. Además, puedes establecer el parámetro retries a nivel de la tarea.

• Si quieres usar la GPU en tus tareas de Airflow, crea un clúster de GKE independiente basado en nodos que usen máquinas con GPUs. Usa GKEStartPodOperator para ejecutar tus tareas.

• Evita ejecutar tareas que consuman mucha CPU y memoria en el grupo de nodos del clúster en el que se ejecutan otros componentes de Airflow (programadores, trabajadores, servidores web). En su lugar, usa KubernetesPodOperator o GKEStartPodOperator.

• Cuando implementes DAGs en un entorno, sube solo los archivos que sean absolutamente necesarios para interpretar y ejecutar DAGs en la carpeta /dags.

• Limita la cantidad de archivos DAG en la carpeta /dags.

  Airflow analiza continuamente los DAG en la carpeta /dags. El análisis es un proceso que se repite en la carpeta de DAGs, y la cantidad de archivos que se deben cargar (con sus dependencias) afecta el rendimiento del análisis de DAGs y la programación de tareas. Es mucho más eficiente usar 100 archivos con 100 DAGs cada uno que 10,000 archivos con 1 DAG cada uno, por lo que se recomienda esta optimización. Esta optimización es un equilibrio entre el tiempo de análisis y la eficiencia de la creación y administración de DAGs.

  También puedes considerar, por ejemplo, implementar 10,000 archivos DAG. Para ello, puedes crear 100 archivos ZIP que contengan 100 archivos DAG cada uno.

  Además de las sugerencias anteriores, si tienes más de 10,000 archivos de DAG, generar DAG de forma programática puede ser una buena opción. Por ejemplo, puedes implementar un solo archivo DAG de Python que genere una cierta cantidad de objetos DAG (por ejemplo, 20 o 100 objetos DAG).

• Evita usar operadores de Airflow obsoletos. En su lugar, usa sus alternativas actualizadas.

Preguntas frecuentes sobre la escritura de DAG

¿Cómo minimizo la repetición de código si quiero ejecutar las mismas tareas o tareas similares en varios DAG?

Sugerimos definir bibliotecas y wrappers para minimizar la repetición de código.

¿Cómo vuelvo a usar el código entre los archivos DAG?

Coloca tus funciones de utilidad en una biblioteca local de Python y, luego, importa las funciones. Puedes hacer referencia a las funciones en cualquier DAG ubicado en la carpeta dags/ del bucket de tu entorno.

¿Cómo minimizo el riesgo de que surjan definiciones diferentes?

Por ejemplo, tienes dos equipos que desean agregar datos sin procesar a las métricas de ingresos. Los equipos escriben dos tareas con pequeñas diferencias entre sí que logran lo mismo. Se deben definir bibliotecas para trabajar con los datos de ingresos, de modo que los implementadores de DAG aclaren la definición de ingresos que se agrega.

¿Cómo configuro las dependencias entre los DAG?

Esto dependerá de cómo deseas definir la dependencia.

Si tienes dos DAG (DAG A y DAG B) y quieres que el DAG B se active después del DAG A, puedes poner un TriggerDagRunOperator al final del DAG A.

Si el DAG B solo depende de un artefacto generado por el DAG A, como un mensaje de Pub/Sub, es posible que un sensor funcione mejor.

Si el DAG B se integra perfectamente al DAG A, es posible que puedas combinar los dos DAG en uno.

¿Cómo transfiero los ID de ejecución únicos a un DAG y sus tareas?

Por ejemplo, deseas transmitir nombres de clústeres de Dataproc y rutas de archivos.

Puedes generar un ID único aleatorio si muestras str(uuid.uuid4()) en un PythonOperator. Esto colocará el ID en XComs para que puedas consultar el ID en otros operadores a través de campos de plantillas.

Antes de generar un uuid, considera si un ID específico de DagRun sería más valioso. También puedes hacer referencia a estos IDs en sustituciones de Jinja con macros.

¿Cómo separo las tareas en un DAG?

Cada tarea debe ser una unidad de trabajo idempotente. Por lo tanto, debes evitar encapsular un flujo de trabajo de varios pasos en una sola tarea, como un programa complejo que se ejecute en un PythonOperator.

¿Debo definir varias tareas en un solo DAG para agregar datos de varias fuentes?

Por ejemplo, tienes varias tablas con datos sin procesar y quieres crear agregados diarios para cada una. Las tareas no dependen una de otra. ¿Debes crear una tarea y un DAG para cada tabla o crear un DAG general?

Si estás de acuerdo con que cada tarea comparta las mismas propiedades a nivel del DAG, como schedule_interval, entonces tiene sentido definir varias tareas en un solo DAG. De lo contrario, para minimizar la repetición de código, se pueden generar varios DAG a partir de un único módulo de Python colocándolos en globals() del módulo.

¿Cómo puedo limitar la cantidad de tareas simultáneas que se ejecutan en un DAG?

Por ejemplo, quieres evitar superar las cuotas o los límites de uso de la API o evitar ejecutar demasiados procesos simultáneos.

Puedes definir grupos de Airflow en la IU web de Airflow y asociar tareas con grupos existentes en tus DAG.

Preguntas frecuentes sobre el uso de operadores

¿Debo usar DockerOperator?

No recomendamos usar DockerOperator, a menos que se use para iniciar contenedores en una instalación remota de Docker (no dentro del clúster de un entorno). En un entorno de Cloud Composer, el operador no tiene acceso a los daemons de Docker.

En su lugar, usa KubernetesPodOperator o GKEStartPodOperator. Estos operadores inician pods de Kubernetes en clústeres de Kubernetes o de GKE, respectivamente. Ten en cuenta que no recomendamos lanzar pods en el clúster de un entorno, ya que esto puede generar competencia en los recursos.

¿Debo usar SubDagOperator?

No recomendamos usar SubDagOperator.

Usa alternativas como se sugiere en Cómo agrupar tareas.

¿Debería ejecutar código de Python solo en PythonOperators para separar completamente los operadores de Python?

Según tu objetivo, tienes algunas opciones.

Si tu única preocupación es mantener dependencias independientes de Python, puedes usar PythonVirtualenvOperator.

Considera usar KubernetesPodOperator. Este operador te permite definir pods de Kubernetes y ejecutarlos en otros clústeres.

¿Cómo agrego paquetes binarios personalizados o que no son de PyPI?

Puedes instalar paquetes alojados en repositorios de paquetes privados.

¿Cómo transmito uniformemente los argumentos a un DAG y sus tareas?

Puedes usar la compatibilidad integrada de Airflow para las plantillas de Jinja y pasar argumentos que se pueden usar en campos con plantillas.

¿Cuándo ocurre la sustitución de plantilla?

La sustitución de plantilla ocurre en los trabajadores de Airflow justo antes de que se llame a la función pre_execute de un operador. En la práctica, esto significa que las plantillas no se sustituyen hasta justo antes de que se ejecute una tarea.

¿Cómo puedo saber qué argumentos del operador admiten la sustitución de plantillas?

Los argumentos del operador que admiten la sustitución de plantillas de Jinja2 se marcan explícitamente como tales.

Busca el campo template_fields en la definición de operador, que contiene una lista de nombres de argumentos que se someten a la sustitución de plantillas.

Por ejemplo, consulta BashOperator, que admite plantillas para los argumentos bash_command y env.

Operadores de Airflow que dejaron de estar disponibles y se quitaron

Los operadores de Airflow que se enumeran en la siguiente tabla quedaron obsoletos:

• Evita usar estos operadores en tus DAG. En su lugar, usa los operadores de reemplazo actualizados que se proporcionan.

• Si un operador aparece como quitado, significa que ya no está disponible en una de las compilaciones de Airflow lanzadas en Cloud Composer 3.

• Si un operador aparece como planificado para su eliminación, significa que está obsoleto y se quitará en una compilación futura de Airflow.

• Si un operador aparece como ya quitado en los proveedores de Google más recientes, significa que se quitó en la versión más reciente del paquete apache-airflow-providers-google. Al mismo tiempo, Cloud Composer sigue usando la versión de este paquete en la que aún no se quitó el operador.

Nota: Asegúrate de actualizar tus DAGs para que usen operadores de reemplazo. Todos los operadores obsoletos que se indican no estarán disponibles en Airflow 3.

Operador obsoleto	Estado	Operador de reemplazo	Reemplazo disponible desde
CreateAutoMLTextTrainingJobOperator	Quitado	SupervisedFineTuningTrainOperator	composer-3-airflow-2.9.3-build.1 composer-3-airflow-2.9.1-build.8
GKEDeploymentHook	Quitado	GKEKubernetesHook	Todas las versiones
GKECustomResourceHook	Quitado	GKEKubernetesHook	Todas las versiones
GKEPodHook	Quitado	GKEKubernetesHook	Todas las versiones
GKEJobHook	Quitado	GKEKubernetesHook	Todas las versiones
GKEPodAsyncHook	Quitado	GKEKubernetesAsyncHook	Todas las versiones
SecretsManagerHook	Quitado	GoogleCloudSecretManagerHook	composer-3-airflow-2.7.3-build.6
BigQueryExecuteQueryOperator	Quitado	BigQueryInsertJobOperator	Todas las versiones
BigQueryPatchDatasetOperator	Quitado	BigQueryUpdateDatasetOperator	Todas las versiones
DataflowCreateJavaJobOperator	Quitado	beam.BeamRunJavaPipelineOperator	Todas las versiones
DataflowCreatePythonJobOperator	Quitado	beam.BeamRunPythonPipelineOperator	Todas las versiones
DataprocSubmitPigJobOperator	Quitado	DataprocSubmitJobOperator	Todas las versiones
DataprocSubmitHiveJobOperator	Quitado	DataprocSubmitJobOperator	Todas las versiones
DataprocSubmitSparkSqlJobOperator	Quitado	DataprocSubmitJobOperator	Todas las versiones
DataprocSubmitSparkJobOperator	Quitado	DataprocSubmitJobOperator	Todas las versiones
DataprocSubmitHadoopJobOperator	Quitado	DataprocSubmitJobOperator	Todas las versiones
DataprocSubmitPySparkJobOperator	Quitado	DataprocSubmitJobOperator	Todas las versiones
BigQueryTableExistenceAsyncSensor	Quitado	BigQueryTableExistenceSensor	Todas las versiones
BigQueryTableExistencePartitionAsyncSensor	Quitado	BigQueryTablePartitionExistenceSensor	Todas las versiones
CloudComposerEnvironmentSensor	Quitado	CloudComposerCreateEnvironmentOperator, CloudComposerDeleteEnvironmentOperator, CloudComposerUpdateEnvironmentOperator	Todas las versiones
GCSObjectExistenceAsyncSensor	Quitado	GCSObjectExistenceSensor	Todas las versiones
GoogleAnalyticsHook	Quitado	GoogleAnalyticsAdminHook	Todas las versiones
GoogleAnalyticsListAccountsOperator	Quitado	GoogleAnalyticsAdminListAccountsOperator	Todas las versiones
GoogleAnalyticsGetAdsLinkOperator	Quitado	GoogleAnalyticsAdminGetGoogleAdsLinkOperator	Todas las versiones
GoogleAnalyticsRetrieveAdsLinksListOperator	Quitado	GoogleAnalyticsAdminListGoogleAdsLinksOperator	Todas las versiones
GoogleAnalyticsDataImportUploadOperator	Quitado	GoogleAnalyticsAdminCreateDataStreamOperator	Todas las versiones
GoogleAnalyticsDeletePreviousDataUploadsOperator	Quitado	GoogleAnalyticsAdminDeleteDataStreamOperator	Todas las versiones
DataPipelineHook	Quitado	DataflowHook	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
CreateDataPipelineOperator	Quitado	DataflowCreatePipelineOperator	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
RunDataPipelineOperator	Quitado	DataflowRunPipelineOperator	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
AutoMLDatasetLink	Obsoleto, se planea quitar	TranslationLegacyDatasetLink	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
AutoMLDatasetListLink	Obsoleto, se planea quitar	TranslationDatasetListLink	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
AutoMLModelLink	Obsoleto, se planea quitar	TranslationLegacyModelLink	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
AutoMLModelTrainLink	Obsoleto, se planea quitar	TranslationLegacyModelTrainLink	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
AutoMLModelPredictLink	Obsoleto, se planea quitar	TranslationLegacyModelPredictLink	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
AutoMLBatchPredictOperator	Quitado	vertex_ai.batch_prediction_job	composer-3-airflow-2.9.3-build.4
AutoMLPredictOperator	Obsoleto, se planea quitar	vertex_aigenerative_model. TextGenerationModelPredictOperator, translate.TranslateTextOperator	composer-3-airflow-2.7.3-build.6
PromptLanguageModelOperator	Quitado	TextGenerationModelPredictOperator	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
GenerateTextEmbeddingsOperator	Quitado	TextEmbeddingModelGetEmbeddingsOperator	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
PromptMultimodalModelOperator	Quitado	GenerativeModelGenerateContentOperator	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
PromptMultimodalModelWithMediaOperator	Quitado	GenerativeModelGenerateContentOperator	composer-3-airflow-2.9.1-build.0 composer-3-airflow-2.7.3-build.9
DataflowStartSqlJobOperator	Quitado	DataflowStartYamlJobOperator	composer-3-airflow-2.9.3-build.1 composer-3-airflow-2.9.1-build.8
LifeSciencesHook	Obsoleto, se planea quitar	Hook de los operadores de Google Cloud Batch	A confirmar
DataprocScaleClusterOperator	Obsoleto, se planea quitar	DataprocUpdateClusterOperator	A confirmar
MLEngineStartBatchPredictionJobOperator	Obsoleto, se planea quitar	CreateBatchPredictionJobOperator	A confirmar
MLEngineManageModelOperator	Obsoleto, se planea quitar	MLEngineCreateModelOperator, MLEngineGetModelOperator	A confirmar
MLEngineGetModelOperator	Obsoleto, se planea quitar	GetModelOperator	A confirmar
MLEngineDeleteModelOperator	Obsoleto, se planea quitar	DeleteModelOperator	A confirmar
MLEngineManageVersionOperator	Obsoleto, se planea quitar	MLEngineCreateVersion, MLEngineSetDefaultVersion, MLEngineListVersions, MLEngineDeleteVersion	A confirmar
MLEngineCreateVersionOperator	Obsoleto, se planea quitar	Parámetro parent_model para los operadores de Vertex AI	A confirmar
MLEngineSetDefaultVersionOperator	Obsoleto, se planea quitar	SetDefaultVersionOnModelOperator	A confirmar
MLEngineListVersionsOperator	Obsoleto, se planea quitar	ListModelVersionsOperator	A confirmar
MLEngineDeleteVersionOperator	Obsoleto, se planea quitar	DeleteModelVersionOperator	A confirmar
MLEngineStartTrainingJobOperator	Obsoleto, se planea quitar	CreateCustomPythonPackageTrainingJobOperator	A confirmar
MLEngineTrainingCancelJobOperator	Obsoleto, se planea quitar	CancelCustomTrainingJobOperator	A confirmar
LifeSciencesRunPipelineOperator	Obsoleto, se planea quitar	Operadores de Google Cloud Batch	A confirmar
MLEngineCreateModelOperator	Obsoleto, se planea quitar	operador de Vertex AI correspondiente	A confirmar

¿Qué sigue?

• Soluciona problemas de los DAG
• Solución de problemas del programador
• Operadores de Google
• Google Cloud Operadores
• Instructivo de Apache Airflow