[关闭]
@JunQiu 2018-09-18T10:15:37.000000Z 字数 3756 阅读 2128

airflow(desc、use)

summary_2018/09 tools

1、日常

1.1、airflow的简介和使用

2、技术

2.1、airflow的简介和使用

2.1.1、airflow的简介
2.1.2、服务构成和工作流程
  1. // WebServer
  2. Airflow 提供了一个可视化的 Web 界面。启动 WebServer 后，就可以在 Web 界面上查看定义好的 DAG 并监控及改变运行状况。也可以在 Web 界面中对一些变量进行配置。
  4. // Worker
  5. 一般来说我们用 Celery Worker 来执行具体的作业。Worker 可以部署在多台机器上，并可以分别设置接收的队列。当接收的队列中有作业任务时，Worker 就会接收这个作业任务，并开始执行。Airflow 会自动在每个部署 Worker 的机器上同时部署一个 Serve Logs 服务，这样我们就可以在 Web 界面上方便的浏览分散在不同机器上的作业日志了。
  7. // Scheduler
  8. 整个 Airflow 的调度由 Scheduler 负责发起，每隔一段时间 Scheduler 就会检查所有定义完成的 DAG 和定义在其中的作业，如果有符合运行条件的作业，Scheduler 就会发起相应的作业任务以供 Worker 接收。
  10. // Flower
  11. Flower 提供了一个可视化界面以监控所有 Celery Worker 的运行状况。这个服务并不是必要的。
  1. 1、airflow启动时，会将DAG中的相关信息写入数据库。
  2. 2、scheduler会按照指定频次查询数据库，检测是否有需要触发的任务。
  3. 3、当scheduler检测到需要触发的任务时，会向消息队列发送一条Message。
  4. 4、Celery会定时查询消息队列中是否有Message。当检测到Message时，会将Message中包含的任务信息下发给Worker，由Worker执行具体任务
  5. // Celery:分布式消息队列
2.1.3、安装和实现DAG任务
  1. # Importing Modules
  3. from airflow import DAG
  4. from airflow.operators.bash_operator import BashOperator
  5. from datetime import datetime, timedelta
  7. # some arguments for task
  8. # start_date  DAG == schedule_interval is best way
  9. default_args = {
  10.     'owner': 'airflow',
  11.     'depends_on_past': False,
  12.     'start_date': datetime.now(),
  13.     'email': ['airflow@example.com'],
  14.     'email_on_failure': False,
  15.     'email_on_retry': False,
  16.     'retries': 1,
  17.     'retry_delay': timedelta(minutes=5),
  18.     # 'queue': 'bash_queue',
  19.     # 'pool': 'backfill',
  20.     # 'priority_weight': 10,
  21.     'schedule_interval': timedelta(days=1),
  22.     'end_date': datetime(2018, 9, 4),
  23. }
  24. dag = DAG('qj_airflow_test', default_args=default_args)
  26. # t1, t2 and t3 are examples of tasks created by instantiating operators
  27. t1 = BashOperator(
  28.     task_id='print_date',
  29.     bash_command='date',
  30.     dag=dag)
  32. t2 = BashOperator(
  33.     task_id='sleep',
  34.     bash_command='sleep 5',
  35.     retries=3,
  36.     dag=dag)
  38. templated_command = """
  39.     {% for i in range(5) %}
  40.         echo "{{ ds }}"
  41.         echo "{{ macros.ds_add(ds, 7)}}"
  42.         echo "{{ params.my_param }}"
  43.     {% endfor %}
  44. """
  46. t3 = BashOperator(
  47.     task_id='templated',
  48.     bash_command=templated_command,
  49.     params={'my_param': 'Parameter I passed in'},
  50.     dag=dag)
  52. t4 = BashOperator(
  53.     task_id='print_date1',
  54.     bash_command='date',
  55.     dag=dag)
  57. # Setting up Dependencies
  58. t2.set_upstream(t1)
  59. t3.set_upstream(t1)
  60. t4.set_upstream([t2, t3])
  62. // 一些字段介绍
  63. ## DAG
  64. 要配置一个 DAG 自然需要一个 DAG 实例。在同一个 DAG 下的所有作业，都需要将它的 dag 属性设置为这个 DAG 实例。在实例化 DAG 时，通过传参数可以给这个 DAG 实例做一些必要的配置。
  65. # dag_id
  66. 给 DAG 取一个名字，方便日后维护。
  67. # default_args
  68. 默认参数，当属于这个DAG实例的作业没有配置相应参数时，将使用 DAG 实例的 default_args 中的相应参数。
  69. # schedule_interval
  70. 配置 DAG 的执行周期，语法和 crontab 的一致。
  72. ## Task
  73. Airflow 提供了很多 Operator， BashOperator 则会执行 bash_command 参数所指定的 bash 指令，PythonOperator执行 Python callables，或者GoogleCloudStorageToBigQueryOperator、kubernetes_pod_operator（可以使用docker image，Tips：startup_timeout_seconds (int) – timeout in seconds to startup the pod（默认120））。
  74. Tips：如果在 DAG 中有设置 default_args 而在 Operator 中没有覆盖相应配置，则会使用 default_args 中的配置。
  75. # dag
  76. 传递一个 DAG 实例，以使当前作业属于相应 DAG。
  77. # task_id
  78. 给作业去一个名字，方便日后维护。
  79. # owner
  80. 作业的拥有者，方便作业维护。另外有些 Operator 会根据该参数实现相应的权限控制。
  81. # start_date
  82. 作业的开始时间，即作业将在这个时间点以后开始调度。
  84. ## 依赖的配置
  85. 除了可以使用作业实例的 set_upstream 和 set_downstream 方法外，还可以使用类似：
  86. task1 << task2 << task3
  87. task3 >> task4
  89. ## 区分几个时间
  90. start date: 在配置中，它是作业开始调度时间。而在谈论执行状况时，它是调度开始时间。
  91. schedule interval: 调度执行周期。
  92. execution date: 执行时间，在 Airflow 中称之为执行时间，但其实它并不是真实的执行时间。
  93. # 举个例子：
  94. 假设我们配置了一个作业的 start date 为 2017年10月1日，配置的 schedule interval 为 **00 12 * * *** 那么第一次执行的时间将是 2017年10月2日 12点 而此时记录的 execution date 为 2017年10月1日 12点。因此 execution date 并不是如其字面说的表示执行时间，真正的执行时间是 execution date 所显示的时间的下一个满足 schedule interval 的时间点。
2.1.4、总结
2.1.5、参考文档
添加新批注
在作者公开此批注前，只有你和作者可见。
回复批注