Cloud Composer 1 | Cloud Composer 2
Questa guida mostra come scrivere un grafo diretto aciclico (DAG) di Apache Airflow eseguito in un ambiente Cloud Composer.
Poiché Apache Airflow non fornisce un isolamento elevato di DAG e attività, ti consigliamo di utilizzare ambienti di produzione e di test separati per evitare interferenze dei DAG. Per maggiori informazioni, consulta la pagina Test dei DAG.
Struttura di un DAG Airflow
Un DAG Airflow è definito in un file Python ed è composto dai seguenti componenti:
- Definizione di DAG
- Operatori Airflow
- Relazioni con gli operatori
I seguenti snippet di codice mostrano esempi di ogni componente fuori contesto.
Una definizione di DAG
L'esempio seguente illustra una definizione di DAG:
Airflow 2
Airflow 1
Operatori e attività
Gli operatori descrivono il lavoro da svolgere. Un'attività è un'istanza specifica di un operatore.
Airflow 2
Airflow 1
Relazioni attività
Le relazioni delle attività descrivono l'ordine in cui il lavoro deve essere completato.
Airflow 2
Airflow 1
Esempio di flusso di lavoro DAG completo in Python
Il seguente flusso di lavoro è un modello DAG funzionante composto da due attività: un'attività hello_python
e un'attività goodbye_bash
:
Airflow 2
Airflow 1
Per ulteriori informazioni sulla definizione dei DAG Airflow, consulta il tutorial di Airflow e i concetti di Airflow.
Operatori Airflow
I seguenti esempi mostrano alcuni comuni operatori di Airflow. Per un riferimento autorevole degli operatori Airflow, consulta la pagina relativa a Riferimento per operatori e hook e Indice provider.
BashOperator
Utilizza BashOperator per eseguire programmi a riga di comando.
Airflow 2
Airflow 1
Cloud Composer esegue i comandi forniti in uno script Bash su un worker Airflow. Il worker è un container Docker basato su Debian e include diversi pacchetti.
PythonOperator
Utilizza PythonOperator per eseguire codice Python arbitrario.
Cloud Composer esegue il codice Python in un container che include pacchetti per la versione dell'immagine di Cloud Composer utilizzata nel tuo ambiente.
Per installare altri pacchetti Python, consulta la pagina relativa all'installazione delle dipendenze Python.
Operatori Google Cloud
Per eseguire attività che utilizzano i prodotti Google Cloud, utilizza gli operatori di Google Cloud Airflow. Ad esempio, gli operatori BigQuery eseguono query ed elaborano dati in BigQuery.
Esistono molti altri operatori Airflow per Google Cloud e per i singoli servizi forniti da Google Cloud. Per l'elenco completo, consulta la pagina Operatori Google Cloud.
Airflow 2
Airflow 1
EmailOperator
Utilizza EmailOperator per inviare email da un DAG. Per inviare email da un ambiente Cloud Composer, devi configurare l'ambiente per l'utilizzo di SendGrid.
Airflow 2
Airflow 1
Notifiche in caso di errore dell'operatore
Imposta email_on_failure
su True
per inviare una notifica via email in caso di errore di un operatore nel DAG. Per inviare notifiche email da un ambiente Cloud Composer, devi
configurare l'ambiente per l'utilizzo di SendGrid.
Airflow 2
Airflow 1
Linee guida per il flusso di lavoro dei DAG
Inserisci eventuali librerie Python personalizzate nell'archivio ZIP di un DAG in una directory nidificata. Non posizionare le librerie al livello superiore della directory dei DAG.
Quando Airflow esegue la scansione della cartella
dags/
, Airflow controlla solo i DAG nei moduli Python che si trovano nella cartella di primo livello della cartella DAG e nel livello superiore di un archivio ZIP anch'esso nella cartelladags/
di primo livello. Se Airflow rileva un modulo Python in un archivio ZIP che non contiene entrambe le sottostringheairflow
eDAG
, Airflow smette di elaborare l'archivio ZIP. Airflow restituisce solo i DAG trovati fino a quel punto.Utilizza Airflow 2 anziché Airflow 1.
La community di Airflow non pubblica più nuove release secondarie o patch per Airflow 1.
Per la tolleranza di errore, non definire più oggetti DAG nello stesso modulo Python.
Non utilizzare i SubDAG. Puoi invece raggruppare le attività all'interno dei DAG.
Inserisci i file richiesti al momento dell'analisi dei DAG nella cartella
dags/
, non nella cartelladata/
.Testa i DAG sviluppati o modificati come consigliato nelle istruzioni per il test dei DAG.
Verifica che i DAG sviluppati non aumentino troppo i tempi di analisi DAG.
Le attività Airflow possono non riuscire per diversi motivi. Per evitare errori delle intera esecuzione di DAG, consigliamo di abilitare i nuovi tentativi delle attività. Se imposti il numero massimo di nuovi tentativi su
0
, non vengono eseguiti nuovi tentativi.Ti consigliamo di eseguire l'override dell'opzione
default_task_retries
con un valore diverso da0
per l'attività ritirata. Inoltre, puoi impostare il parametroretries
a livello di attività.Se vuoi utilizzare la GPU nelle attività Airflow, crea un cluster GKE separato basato sui nodi che utilizzano macchine con GPU. Utilizza GKEStartPodOperator per eseguire le attività.
Evita di eseguire attività che consumano molta CPU e memoria nel pool di nodi del cluster dove sono in esecuzione altri componenti Airflow (pianificatori, worker, server web). Usa invece KubernetesPodOperator o GKEStartPodOperator.
Quando esegui il deployment di DAG in un ambiente, carica solo i file assolutamente necessari per l'interpretazione e l'esecuzione dei DAG nella cartella
/dags
.Limita il numero di file DAG nella cartella
/dags
.Airflow esegue l'analisi continua dei DAG nella cartella
/dags
. L'analisi è un processo che esegue un loop nella cartella dei DAG e il numero di file da caricare (con le relative dipendenze) influisce sulle prestazioni dell'analisi dei DAG e della pianificazione delle attività. È molto più efficiente utilizzare 100 file con 100 DAG ciascuno rispetto a 10.000 file con 1 DAG ciascuno, pertanto è consigliabile eseguire questa ottimizzazione. Questa ottimizzazione è un equilibrio tra tempo di analisi ed efficienza della creazione e della gestione dei DAG.Ad esempio, per eseguire il deployment di 10.000 file DAG, puoi creare 100 file ZIP, ciascuno contenente 100 file DAG.
Oltre ai suggerimenti precedenti, se hai più di 10.000 file DAG, potrebbe essere una buona soluzione generare i DAG in modo programmatico. Ad esempio, puoi implementare un singolo file DAG Python che genera un certo numero di oggetti DAG, ad esempio 20.100 oggetti DAG.
Evita di utilizzare operatori Airflow deprecati
Gli operatori elencati nella seguente tabella sono deprecati. Evita di usarle nei DAG. Utilizza invece alternative aggiornate fornite.
Operatore deprecato | Operatore da utilizzare |
---|---|
BigQueryExecuteQueryOperator | BigQueryInsertJobOperator |
BigQueryPatchDatasetOperator | BigQueryUpdateTableOperator |
DataflowCreateJavaJobOperator | BeamRunJavaPipelineOperator |
DataflowCreatePythonJobOperator | BeamRunPythonPipelineOperator |
DataprocScaleClusterOperator | DataprocUpdateClusterOperator |
DataprocSubmitPigJobOperator | DataprocSubmitJobOperator |
DataprocSubmitSparkSqlJobOperator | DataprocSubmitJobOperator |
DataprocSubmitSparkJobOperator | DataprocSubmitJobOperator |
DataprocSubmitHadoopJobOperator | DataprocSubmitJobOperator |
DataprocSubmitPySparkJobOperator | DataprocSubmitJobOperator |
MLEngineManageModelOperator | MLEngineCreateModelOperator, MLEngineGetModelOperator |
MLEngineManageVersionOperator | MLEngineCreateVersion, MLEngineSetDefaultVersion, MLEngineListVersions, MLEngineDeleteVersion |
GCSObjectsWtihPrefixExistenceSensor | GCSObjectsWithPrefixExistenceSensor |
Domande frequenti per la scrittura di DAG
Come faccio a ridurre al minimo la ripetizione del codice se voglio eseguire le stesse attività o attività simili in più DAG?
Ti suggeriamo di definire le librerie e i wrapper per ridurre al minimo la ripetizione del codice.
Come posso riutilizzare il codice tra file DAG?
Inserisci le funzioni di utilità in una libreria Python locale e importa le funzioni. Puoi fare riferimento alle funzioni in qualsiasi DAG situato
nella cartella dags/
del bucket del tuo ambiente.
Come faccio a ridurre al minimo il rischio che esistano definizioni diverse?
Ad esempio, hai due team che vogliono aggregare i dati non elaborati in metriche sulle entrate. I team scrivono due attività leggermente diverse che svolgono la stessa funzione. Definire le librerie per usare i dati sulle entrate in modo che gli implementatori dei DAG debbano chiarire la definizione di entrate aggregate.
Come faccio a impostare le dipendenze tra i DAG?
Ciò dipende da come vuoi definire la dipendenza.
Se hai due DAG (DAG A e DAG B) e vuoi che il DAG B si attivi dopo il DAG
A, puoi inserire un
TriggerDagRunOperator
alla fine del
Dag A.
Se il DAG B dipende solo da un artefatto generato dal DAG A, ad esempio un messaggio Pub/Sub, un sensore potrebbe funzionare meglio.
Se il DAG B è integrato strettamente con il DAG A, potresti essere in grado di unire i due DAG in un DAG.
Come posso passare ID esecuzione univoci a un DAG e alle relative attività?
Ad esempio, vuoi passare i nomi dei cluster e i percorsi dei file di Dataproc.
Puoi generare un ID univoco casuale restituendo str(uuid.uuid4())
in
un PythonOperator
. L'ID viene inserito in XComs
in modo da poter fare riferimento all'ID in altri operatori tramite campi basati su modelli.
Prima di generare un uuid
, valuta se un ID specifico per DagRun potrebbe essere più utile. Puoi anche fare riferimento a questi ID nelle sostituzioni Jinja utilizzando le macro.
Come posso separare le attività in un DAG?
Ogni attività deve essere un'unità idempotente di lavoro. Di conseguenza, dovresti evitare di incapsulare un flusso di lavoro a più passaggi all'interno di una singola attività, ad esempio un programma complesso eseguito in un PythonOperator
.
Devo definire più attività in un singolo DAG per aggregare i dati di più origini?
Ad esempio, se disponi di più tabelle con dati non elaborati e vuoi creare aggregati giornalieri per ogni tabella. Le attività non dipendono l'una dall'altra. Devi creare un'attività e un DAG per ogni tabella o un DAG generale?
Se ti va bene che ogni attività condivida le stesse proprietà a livello di DAG, come schedule_interval
, ha senso definire più attività in un singolo DAG. In caso contrario, per ridurre al minimo la ripetizione del codice, è possibile generare più DAG da un singolo modulo Python inserendoli nell'elemento globals()
del modulo.
Come posso limitare il numero di attività simultanee in esecuzione in un DAG?
Ad esempio, vuoi evitare di superare i limiti/quote di utilizzo delle API o evitare di eseguire troppi processi simultanei.
Puoi definire pool Airflow nell'interfaccia utente web di Airflow e associare le attività ai pool esistenti nei tuoi DAG.
Domande frequenti sull'utilizzo degli operatori
Devo usare l'DockerOperator
?
Sconsigliamo di utilizzare DockerOperator
, a meno che non venga utilizzato per avviare i container su un'installazione Docker remota (non all'interno del cluster di un ambiente). In un ambiente Cloud Composer,
l'operatore non ha accesso ai daemon Docker.
Utilizza invece KubernetesPodOperator
o GKEStartPodOperator
. Questi operatori avviano i pod Kubernetes rispettivamente in
cluster Kubernetes o GKE. Tieni presente che sconsigliamo di avviare i pod nel cluster di un ambiente, perché questo può portare alla concorrenza delle risorse.
Devo usare l'SubDagOperator
?
Non è consigliabile utilizzare SubDagOperator
.
Utilizza le alternative suggerite nelle istruzioni per raggruppare le attività.
Devo eseguire il codice Python solo in PythonOperators
per separare completamente gli operatori Python?
A seconda del tuo obiettivo, hai alcune opzioni a disposizione.
Se il tuo unico problema è mantenere dipendenze Python separate, puoi utilizzare PythonVirtualenvOperator
.
Valuta la possibilità di utilizzare la KubernetesPodOperator
. Questo operatore consente di definire i pod di Kubernetes e di eseguirli in altri cluster.
Come posso aggiungere pacchetti binari personalizzati o non PyPI?
Puoi installare pacchetti ospitati in repository di pacchetti privati.
Puoi anche utilizzare la KubernetesPodOperator
per eseguire un pod Kubernetes con la tua immagine creata con pacchetti personalizzati.
Come posso trasferire in modo uniforme gli argomenti a un DAG e alle sue attività?
Puoi utilizzare il supporto integrato di Airflow per i modelli Jinja al fine di passare argomenti che possono essere utilizzati nei campi basati su modelli.
Quando avviene la sostituzione dei modelli?
La sostituzione del modello avviene sui worker Airflow appena prima della chiamata della funzione pre_execute
di un operatore. Questo significa che i modelli vengono
sostituiti solo prima dell'esecuzione.
Come faccio a sapere quali argomenti dell'operatore supportano la sostituzione dei modelli?
Gli argomenti dell'operatore che supportano la sostituzione dei modelli Jinja2 sono contrassegnati esplicitamente come tali.
Cerca il campo template_fields
nella definizione dell'operatore, che contiene un elenco di nomi di argomenti sottoposti alla sostituzione del modello.
Ad esempio, consulta BashOperator
, che supporta la creazione di modelli per gli argomenti bash_command
e env
.
Passaggi successivi
- Risoluzione dei problemi dei DAG
- Programma di pianificazione dei problemi
- Operatori Google
- Operatori Google Cloud
- Tutorial su Apache Airflow
- Interfaccia pubblica di Airflow
- Operatori principali di Airflow su GitHub. Controlla il ramo per la tua release Airflow.
- Operatori dei pacchetti provider su GitHub. Controlla il ramo per la tua release Airflow.