Transferir dados de outros serviços com as operadoras de transferência do Google

Cloud Composer 1 | Cloud Composer 2

Nesta página, demonstramos como transferir dados de outros serviços com os operadores de transferência do Google nos seus DAGs.

Sobre as operadoras de transferência do Google

Os operadores de transferência do Google são um conjunto de operadores do Airflow que podem ser usados para extrair dados de outros serviços para o Google Cloud.

Neste guia, mostramos os operadores do Azure FileShare Storage e do Amazon S3 que funcionam com o Cloud Storage. Há muitos outros operadores de transferência que funcionam com serviços dentro do Google Cloud e com outros serviços além do Google Cloud.

Antes de começar

• Este guia é para o Airflow 2. Se o ambiente utiliza o Airflow 1, use pacotes de provedor de backport para importar operadores e disponibilizar os tipos de conexão necessários no ambiente.

Amazon S3 para Cloud Storage

Nesta seção, demonstramos como sincronizar dados do Amazon S3 com um bucket do Cloud Storage.

Instalar o pacote do provedor da Amazon

O pacote apache-airflow-providers-amazon contém os tipos de conexão e a funcionalidade que interage com o Amazon S3. Instale este pacote PyPI no ambiente.

Configurar uma conexão com o Amazon S3

O pacote do provedor da Amazon fornece um tipo de conexão para o Amazon S3. Você cria uma conexão desse tipo. A conexão do Cloud Storage, chamada google_cloud_default, já está configurada no seu ambiente.

Configure uma conexão com o Amazon S3 da seguinte maneira:

1. Na interface do Airflow, acesse Administrador > Conexões.
2. Criar uma nova conexão.
3. Selecione Amazon S3 como o tipo de conexão.
4. O exemplo a seguir usa uma conexão chamada aws_s3. Você pode usar esse nome ou qualquer outro para a conexão.
5. Especifique os parâmetros de conexão conforme descrito na documentação do Airflow para Conexão do Amazon Web Services. Por exemplo, para configurar uma conexão com as chaves de acesso da AWS, gere uma chave de acesso para sua conta na AWS e forneça o ID da chave de acesso da AWS como um login, a chave de acesso secreta da AWS como senha para a conexão.

Observação: recomendamos armazenar todas as credenciais de conexões no Secret Manager. Para mais informações, acesse Configurar o Secret Manager para o ambiente. Por exemplo, é possível criar um secret chamado airflow-connections-aws_s3 que armazene as credenciais da conexão aws_s3.

Transferir dados do Amazon S3

Se você quiser operar nos dados sincronizados posteriormente em outro DAG ou tarefa, extraia-os para a pasta /data do bucket do ambiente. Essa pasta é sincronizada com outros workers do Airflow, para que as tarefas no DAG possam operá-la.

O DAG de exemplo a seguir faz o seguinte:

• Sincroniza o conteúdo do diretório /data-for-gcs de um bucket do S3 com a pasta /data/from-s3/data-for-gcs/ no bucket do ambiente.
• Aguarde dois minutos para que os dados sejam sincronizados com todos os workers do Airflow no ambiente.
• Gera a lista de arquivos nesse diretório usando o comando ls. Substitua essa tarefa por outros operadores do Airflow que funcionem com seus dados.

import datetime
import airflow
from airflow.providers.google.cloud.transfers.s3_to_gcs import S3ToGCSOperator
from airflow.operators.bash_operator import BashOperator

with airflow.DAG(
    'composer_sample_aws_to_gcs',
    start_date=datetime.datetime(2022, 1, 1),
    schedule_interval=None,
) as dag:

    transfer_dir_from_s3 = S3ToGCSOperator(
        task_id='transfer_dir_from_s3',
        aws_conn_id='aws_s3',
        prefix='data-for-gcs',
        bucket='example-s3-bucket-transfer-operators',
        dest_gcs='gs://us-central1-example-environ-361f2312-bucket/data/from-s3/')

    sleep_2min = BashOperator(
        task_id='sleep_2min',
        bash_command='sleep 2m')

    print_dir_files = BashOperator(
        task_id='print_dir_files',
        bash_command='ls /home/airflow/gcs/data/from-s3/data-for-gcs/')

    transfer_dir_from_s3 >> sleep_2min >> print_dir_files

Azure FileShare com o Cloud Storage

Nesta seção, demonstramos como sincronizar dados do Azure FileShare com um bucket do Cloud Storage.

Instalar o pacote de provedor do Microsoft Azure

O pacote apache-airflow-providers-microsoft-azure contém os tipos de conexão e a funcionalidade que interage com o Microsoft Azure. Instale este pacote PyPI no ambiente.

Configurar uma conexão com o Azure FileShare

O pacote de provedor do Microsoft Azure oferece um tipo de conexão para o Compartilhamento de Arquivos do Azure. Você cria uma conexão desse tipo. A conexão do Cloud Storage, chamada google_cloud_default, já está configurada no seu ambiente.

Configure uma conexão com o Azure FileShare da seguinte maneira:

1. Na interface do Airflow, acesse Administrador > Conexões.
2. Criar uma nova conexão.
3. Selecione Azure FileShare como o tipo de conexão.
4. O exemplo a seguir usa uma conexão chamada azure_fileshare. É possível usar esse nome ou qualquer outro para a conexão.
5. Especifique os parâmetros de conexão conforme descrito na documentação do Airflow para Conexão de compartilhamento de arquivos do Microsoft Azure. Por exemplo, você pode especificar uma string de conexão para a chave de acesso da sua conta de armazenamento.

Observação: recomendamos armazenar todas as credenciais de conexões no Secret Manager. Para mais informações, acesse Configurar o Secret Manager para o ambiente. Por exemplo, é possível criar um secret chamado airflow-connections-azure_fileshare que armazene credenciais para a conexão azure_fileshare.

Transferir dados do Azure FileShare

Se você quiser operar nos dados sincronizados posteriormente em outro DAG ou tarefa, extraia-os para a pasta /data do bucket do ambiente. Essa pasta é sincronizada com outros workers do Airflow, para que as tarefas no DAG possam operá-la.

O DAG a seguir faz o seguinte:

O DAG de exemplo a seguir faz o seguinte:

• Sincroniza o conteúdo do diretório /data-for-gcs do Azure File Share com a pasta /data/from-azure no bucket do ambiente.
• Aguarde dois minutos para que os dados sejam sincronizados com todos os workers do Airflow no ambiente.
• Gera a lista de arquivos nesse diretório usando o comando ls. Substitua essa tarefa por outros operadores do Airflow que funcionem com seus dados.

import datetime
import airflow
from airflow.providers.google.cloud.transfers.azure_fileshare_to_gcs import AzureFileShareToGCSOperator
from airflow.operators.bash_operator import BashOperator

with airflow.DAG(
    'composer_sample_azure_to_gcs',
    start_date=datetime.datetime(2022, 1, 1),
    schedule_interval=None,
) as dag:

    transfer_dir_from_azure = AzureFileShareToGCSOperator(
        task_id='transfer_dir_from_azure',
        azure_fileshare_conn_id='azure_fileshare',
        share_name='example-file-share',
        directory_name='data-for-gcs',
        dest_gcs='gs://us-central1-example-environ-361f2312-bucket/data/from-azure/')

    sleep_2min = BashOperator(
        task_id='sleep_2min',
        bash_command='sleep 2m')

    print_dir_files = BashOperator(
        task_id='print_dir_files',
        bash_command='ls /home/airflow/gcs/data/from-azure/')

    transfer_dir_from_azure >> sleep_2min >> print_dir_files

A seguir

• Usar operadores do GKE