本指南介绍如何编写在 Cloud Composer 环境中运行的 Apache Airflow 有向无环图 (DAG)。
构建 Airflow DAG
Airflow DAG 在 Python 文件中定义,包含以下几个组成部分:DAG 定义、操作器和操作器关系。以下代码段仅显示了每个组成部分的示例,而未提供上下文:
DAG 定义。
Airflow 2
Airflow 1
操作器(用于描述要完成的任务)。一个运算符实例称为一项任务。
Airflow 2
Airflow 1
任务关系,用于描述任务的完成顺序。
Airflow 2
Airflow 1
Python 中的完整 DAG 工作流示例
以下工作流是一个完整的有效 DAG 模板,其中包含两个任务:hello_python
任务和 goodbye_bash
任务:
Airflow 2
Airflow 1
Airflow 教程和概念
如需详细了解如何定义 Airflow DAG,请参阅 Airflow 教程和 Airflow 概念。
Airflow 运算符
以下示例演示了几个常用的 Airflow 运算符。如需查看 Airflow 运算符的权威参考信息,请参阅 Apache Airflow API 参考文档,或浏览 core、contrib 和 providers 运算符的源代码。
BashOperator
BashOperator 用于运行命令行程序。
Airflow 2
Airflow 1
Cloud Composer 在工作器的 Bash 脚本中运行提供的命令。 工作器是一个基于 Debian 的 Docker 容器,其中包含多个软件包。
PythonOperator
PythonOperator 用于运行任意 Python 代码。
Cloud Composer 在一个容器中运行 Python 代码,其中包含您的环境中使用的 Cloud Composer 映像版本的软件包。
如需安装其他 Python 软件包,请参阅安装 Python 依赖项。
Google Cloud 运算符
Google Cloud Airflow 运算符用于运行使用 Google Cloud 产品的任务。Cloud Composer 会自动配置与环境项目之间的 Airflow 连接。
BigQuery 运算符用于查询和处理 BigQuery 中的数据。
Airflow 2
Airflow 1
Dataflow 运算符用于在 Dataflow 中运行 Apache Beam 作业。
Cloud Data Fusion 运算符管理和运行 Cloud Data Fusion 流水线。
Cloud Dataproc 运算符用于在 Dataproc 中运行 Hadoop 和 Spark 作业。
Datastore 运算符用于在 Datastore 中读取和写入数据。
AI Platform 运算符用于在 AI Platform 中运行训练和预测作业。
Cloud Storage 运算符用于在 Cloud Storage 中读取和写入数据。
EmailOperator
使用 EmailOperator 从 DAG 发送电子邮件。如需从 Cloud Composer 环境发送电子邮件,您必须将您的环境配置为使用 SendGrid。
Airflow 2
Airflow 1
通知
如果您希望在 DAG 中的运算符发生失败时发送电子邮件通知,可以将 email_on_failure
设置为 True
。如需从 Cloud Composer 环境发送电子邮件通知,您必须将您的环境配置为使用 SendGrid。
Airflow 2
Airflow 1
DAG 工作流指南
使用 Airflow 2 代替 Airflow 1。
Airflow 社区不再为 Airflow 1 发布新的次要版本或补丁程序版本。
将任何自定义 Python 库放入嵌套目录下一个 DAG 的 ZIP 归档文件中。不要将这些库放入 DAG 目录顶层。
Airflow 在扫描
dags/
文件夹时,只会检查以下 Python 模块中的 DAG:位于 DAGs 文件夹顶层的 Python 模块,以及位于某一 ZIP 归档文件(该文件也位于顶层dags/
文件夹)顶层的 Python 模块。如果 Airflow 在某一 ZIP 归档文件中遇到既不包含airflow
又不包含DAG
子字符串的 Python 模块,则 Airflow 会停止处理该 ZIP 归档文件,并仅返回在此之前发现的 DAG。为实现容错功能,请不要在同一个 Python 模块中定义多个 DAG 对象。
请勿使用 SubDAG。您可以改用替代方案。
将 DAG 解析时所需的文件放入
dags/
文件夹(而不是data/
目录)。按照测试 DAG 的说明中的建议,测试开发或修改的 DAG
确认已开发的 DAG 不会增加 DAG 解析时间。
Airflow 任务可能会因多种原因而失败。为避免整个 DAG 运行失败,我们建议您启用任务重试功能。将重试次数上限设置为
0
表示不执行任何重试操作。我们建议将
default_task_retries
选项替换为任务退出0
以外的值。此外,您还可以根据需要在任务级别设置重试参数。如果要在 Airflow 任务中使用 GPU,请根据使用带有 GPU 的机器的节点创建单独的 GKE 集群。使用 GKEStartPodOperator 运行任务。
避免在运行其他 Airflow 组件(调度器、工作器、网络服务器)的节点池中运行 CPU 和内存密集型任务。请改用 KubernetesPodOperator 或 GKEPodOperator。选择
将 DAG 部署到环境中时,请仅将解析和执行 DAG 所必需的文件上传至
/dags
文件夹。限制“
/dags
”文件夹中的 DAG 文件数量Airflow 正在不断解析
/dags
文件夹中的 DAG。解析是一个循环遍历 DAG 文件夹的过程,需要加载的文件数量(及其依赖项)会影响 DAG 解析和任务调度的性能。使用 100 个文件(每个文件包含 100 个 DAG)比使用 10000 个文件(每个文件包含 1 个 DAG)效率更高,因此,我们建议进行此类优化。这项优化在解析和分析 DAG 编写和管理效率之间取得了平衡。您还可以考虑进行部署,例如,要部署 10000 个 DAG 文件,您可以创建 100 个 zip 文件,每个 ZIP 文件包含 100 个 DAG 文件。
除了上述提示之外,如果您拥有超过 10000 个 DAG 文件,则以程序化方式生成 DAG 可能会是一个不错的选择。例如,您可以实现单个 Python DAG 文件,该文件会生成一定数量的 DAG 对象(例如 20 个、100 个 DAG 对象)。
有关编写 DAG 的常见问题解答
如果我想在多个 DAG 中运行相同或类似的任务,如何尽量减少重复代码?
我们建议定义库和封装容器,以最大限度地减少重复代码。
如何在 DAG 文件之间重复使用代码?
将您的实用函数放入一个本地 Python 库中并导入这些函数。您可以在环境存储桶内 dags/
文件夹中的任何 DAG 中引用这些函数。
如何尽量降低出现不同定义的风险?
例如,您有两个团队希望将原始数据汇总成收入指标。为实现此目的,这两个团队都各自编写了一个略微不同的任务。建议针对收入数据来定义库,这样,DAG 实现者就必须阐明要汇总的收入的定义。
如何设置 DAG 之间的依赖项?
这取决于您想要如何定义依赖项。
如果您有两个 DAG(即 DAG A 和 DAG B),并且希望 DAG B 在 DAG A 之后触发,则可以在 DAG A 末尾添加一个 TriggerDagRunOperator
。
如果 DAG B 仅依赖于 DAG A 生成的工件(例如 Pub/Sub 消息),那么可能更适合使用传感器。
如果 DAG B 与 DAG A 紧密集成,则或许可以将两个 DAG 合并为一个 DAG。
如何将唯一运行 ID 传递给某一 DAG 及其任务?
例如,您想传递 Dataproc 集群名称和文件路径。
您可以通过在 PythonOperator
中返回 str(uuid.uuid4())
来随机生成一个唯一 ID。这会将 ID 放入 XComs
中,以便您通过模板化字段在其他运算符中引用该 ID。
在生成 uuid
之前,请考虑 DagRun 专用的 ID 是否更加有用。您还可以使用宏在 Jinja 替代变量中引用这些 ID。
如何在 DAG 中分离任务?
每项任务都应该是一个具有幂等性的工作单元。因此,应避免将一个涉及多个步骤的工作流封装到单项任务中,例如,在 PythonOperator
中运行一个复杂程序。
如果我需要汇总多个来源中的数据,那么是否应该在一个 DAG 中定义多项任务?
例如,您有多个包含原始数据的表格,并且希望针对每个表格创建每日汇总数据。这些任务并不相互依赖。在这种情况下,您是应该为每个表格分别创建一项任务和一个 DAG,还是应该创建一个通用 DAG?
如果您能接受各项任务共用相同的 DAG 级属性(例如 schedule_interval
),那么最好在一个 DAG 中定义多项任务。否则,可以通过一个 Python 模块生成多个 DAG(将这些 DAG 放入该模块的 globals()
中即可),以尽量减少重复代码。
如何限制在一个 DAG 中运行的并发任务数量?
例如,您想避免超出 API 用量限额或配额,或避免同时运行过多进程。
您可以在 Airflow 网页界面中定义 Airflow 池,并将任务与 DAG 中的现有池相关联。
有关使用运算符的常见问题解答
我是否应该使用 DockerOperator
?
我们不推荐使用 DockerOperator
,除非用于在远程 Docker 安装(而非环境集群)中启动容器。在 Cloud Composer 环境中,运算符无权访问 Docker 守护程序。
请改用 KubernetesPodOperator
或 GKEStartPodOperator
。这些运算符分别将 Kubernetes pod 启动到 Kubernetes 或 GKE 集群中。请注意,我们不建议将 pod 启动到环境的集群中,因为这可能会导致资源争用。
我是否应该使用 SubDagOperator
?
我们不建议您使用 SubDagOperator
。
使用分组任务说明中建议的替代方法
如果我想将 Python 运算符完全隔离,是否应该仅在 PythonOperators
中运行 Python 代码?
有几种方案可供您选择,具体取决于您的目标。
如果您只想维护单独的 Python 依赖项,可以使用 PythonVirtualenvOperator
。
请考虑使用 KubernetesPodOperator
。通过此运算符,可定义 Kubernetes pod 并在其他集群中运行这些 pod。
如何添加自定义二进制文件或非 PyPI 软件包?
您还可以使用 KubernetesPodOperator
通过自己用自定义软件包构建的映像来运行 Kubernetes pod。
如何将参数统一传递给某一 DAG 及其任务?
您可以使用 Airflow 对 Jinja 模板化的内置支持传递可在模板化字段中使用的参数。
何时会发生模板替换?
在开始调用运算符的 pre_execute
函数之前,系统会在 Airflow 工作器上进行模板替换。实际上,这意味着模板只有在任务快临近运行时才会被替换。
如何确定哪些运算符参数支持模板替换?
支持 Jinja2 模板替换的运算符参数均有此类明确标注。
查找运算符定义中的 template_fields
字段,该字段包含将接受模板替换的参数名称列表。
例如,请参阅 BashOperator
,它支持 bash_command
和 env
参数模板化。
避免使用已弃用的 Airflow 运算符
下表中列出的运算符已弃用。请避免在 DAG 中使用它们。 您可以改用所提供的最新替代方案。
已弃用的运算符 | 要使用的运算符 |
---|---|
BigQueryExecuteQueryOperator | BigQueryInsertJobOperator |
BigQueryPatchDatasetOperator | BigQueryUpdateTableOperator |
DataflowCreateJavaJobOperator | BeamRunJavaPipelineOperator |
DataflowCreatePythonJobOperator | BeamRunPythonPipelineOperator |
DataprocScaleClusterOperator | DataprocUpdateClusterOperator |
Dataproc 提交作业运算符 | DataprocSubmitJobOperator |
Dataproc 提交 SparkSqlJobOperator | DataprocSubmitJobOperator |
Dataproc 提交 SparkJobOperator | DataprocSubmitJobOperator |
DataprocSubmitHadoopJobOperator | DataprocSubmitJobOperator |
DataprocSubmitPySparkJobOperator | DataprocSubmitJobOperator |
MLEngineManageModelOperator | MLEngineCreateModelOperator、MLEngineGetModelOperator |
MLEngineManageVersionOperator | MLEngineCreateVersion、MLEngineSetDefaultVersion、MLEngineListVersions、MLEngineDeleteVersion |
GCSObjectsWtihPrefixExistenceSensor | 带前缀 ExistenceSensor 的 GCSObject |
后续步骤
- DAG 问题排查
- 调度程序问题排查
- Google 运营商
- Google Cloud Platform 运算符
- Apache Airflow 教程
- Apache Airflow API 参考
- GitHub 上的 Core Airflow 操作器。 请参阅与您使用的 Airflow 版本对应的分支。
- GitHub 上的 Conit Airflow 操作器。 请参阅与您使用的 Airflow 版本对应的分支。