Airflow 是什麼

Airflow 是 Airbnb 開發的用於工作流管理的開源專案，自帶 web UI 和排程。現在 Apache 下做孵化，地址是 github.com/apache/incu…

Airflow 解決什麼問題

Airflow 主要解決的問題可以參考 Airbnb 官方的部落格: airflow-a-workflow-management-platform，簡單來說就是管理和排程各種離線定時 Job ，可以替代 crontab。

當 cron job 規模達到數百上千時，其對人的要求將會非常高的，如果你的團隊經歷過這樣的事情，應該能體會其中痛苦，所以使用類似 airflow 這樣的工具代替 cron 來做定時任務將會極大提高工作效率。

開始使用 airflow 之前需要知道和準備的

Airflow 在 pip 上已經更名為 apache-airflow，下載最新版請使用後者 pip install apache-airflow。

Airflow 1.8 版本依賴的是 MySQL 5.6 以上，5.7 以下報 1071, u'Specified key was too long; max key length is 767 bytes，如果你使用 MySQL 作為你的 airflow backend 請升級你的 MySQL 到最新版。

MySQL 5.6 升級到 5.7 在使用 airflow 時會報 1146, u"Table 'performance_schema.session_variables' doesn't exist"，執行 mysql_upgrade -u root -p --force 解決。

Airflow 的 mysql driver 使用的是 mysqlclient mysql://root:@127.0.0.1/sqlalchemy_lab?charset=utf8，如果使用其他 driver 將報 syntax error。

基礎概念

Airflow 中最基本的兩個概念是：DAG 和 task。DAG 的全稱是 Directed Acyclic Graph 是所有你想執行的任務的集合，在這個集合中你定義了他們的依賴關係，一個 DAG 是指一個 DAG object，一個 DAG object 可以在 Python 指令碼中配置完成。

比如一個簡單的的 DAG 包含三個 task：A、B、C，A 執行成功之後 B 才能執行，C 不依賴 A 和 B 即可執行。在這個簡單的 DAG 中 A B C 可以是任何你想要執行的任務。

DAG 的定義使用 Python 完成的，其實就是一個 Python 檔案，存放在 DAG 目錄，Airflow 會動態的從這個目錄構建 DAG object，每個 DAG object 代表了一個 workflow，每個 workflow 都可以包含任意個 task。

安裝和使用

Airflow 是基於 Python 構建的，可以很容易用 pip 安裝使用，pip install apache-airflow，預設情況下 airflow 會在 ~/airflow 目錄存放相關配置。

Airflow 提供了一些列命令來完成 airflow 的初始化工作來和它的正確使用。

# 在 airflow 目錄初始化資料庫和 airflow 配置
airflow initdb
# 啟動 airflow web
airflow webserver
# 開始排程
airflow scheduler複製程式碼

更詳細的資訊請參考文件 airflow.incubator.apache.org/

第一個 DAG

DAG 的配置用 Python 完成像這樣：

"""
Code that goes along with the Airflow tutorial located at:
https://github.com/airbnb/airflow/blob/master/airflow/example_dags/tutorial.py
"""
from airflow import DAG
from airflow.operators.bash_operator import BashOperator
from datetime import datetime, timedelta


default_args = {
    'owner': 'airflow',
    'depends_on_past': False,
    'start_date': datetime(2015, 6, 1),
    'email': ['airflow@airflow.com'],
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': timedelta(minutes=5),
    # 'queue': 'bash_queue',
    # 'pool': 'backfill',
    # 'priority_weight': 10,
    # 'end_date': datetime(2016, 1, 1),
}

dag = DAG('tutorial', default_args=default_args, schedule_interval=timedelta(1))

# t1, t2 and t3 are examples of tasks created by instantiating operators
t1 = BashOperator(
    task_id='print_date',
    bash_command='date',
    dag=dag)

t2 = BashOperator(
    task_id='sleep',
    bash_command='sleep 5',
    retries=3,
    dag=dag)

templated_command = """
    {% for i in range(5) %}
        echo "{{ ds }}"
        echo "{{ macros.ds_add(ds, 7)}}"
        echo "{{ params.my_param }}"
    {% endfor %}
"""

t3 = BashOperator(
    task_id='templated',
    bash_command=templated_command,
    params={'my_param': 'Parameter I passed in'},
    dag=dag)

t2.set_upstream(t1) # t2 依賴 t1
t3.set_upstream(t1)複製程式碼

DAG 指令碼的目的只是定義 DAG 的配置，並不包含任何的資料處理，在這裡 operator 就是 task。

DAG 的例項化

一個 DAG 指令碼是由 DAG object 的例項化和對應的 operator 組成的，除此之外我們還可以定義預設的引數提供給每個任務。

DAG 物件例項化可以根據我們的需要提供對應的初始化引數，例項化 DAG 物件需要提供唯一的 dag_id：

dag = DAG(
    'tutorial', default_args=default_args, schedule_interval=timedelta(1))複製程式碼

Task 的例項化

t1 = BashOperator(
    task_id='print_date',
    bash_command='date',
    dag=dag)

t2 = BashOperator(
    task_id='sleep',
    bash_command='sleep 5',
    retries=3,
    dag=dag)複製程式碼

task 物件的定義的就是 operator 的例項化，operator 有 task_id，用來區分任務，可以按照需要定製 bash_command，也可以傳遞引數等。

Task 的依賴

Task 之間是能相互建立依賴的，形如：

t2.set_upstream(t1)

# This means that t2 will depend on t1
# running successfully to run
# It is equivalent to
# t1.set_downstream(t2)

t3.set_upstream(t1)

# all of this is equivalent to
# dag.set_dependency('print_date', 'sleep')
# dag.set_dependency('print_date', 'templated')複製程式碼

Airflow 會自動檢測環形依賴以防止 task 無法工作的情況出現，更復雜的情況請參考文件。

執行和測試

和 airflow.cfg 同級目錄下建立 dag 目錄，用來存放第一個 DAG 指令碼，然後執行 python tutorial.py ，如果沒有報錯說明 tutorial 建立成功了。

Airflow 的命令列

Airflow 提供了一些列的命令列用來檢視 DAG 和 task

# print the list of active DAGs
airflow list_dags

# prints the list of tasks the "tutorial" dag_id
airflow list_tasks tutorial

# prints the hierarchy of tasks in the tutorial DAG
airflow list_tasks tutorial --tree複製程式碼

測試任務的執行

執行任務很簡單，指定 DAG 並去指定 task 和執行的日期

# command layout: command subcommand dag_id task_id date

# testing print_date
airflow test tutorial print_date 2015-06-01

# testing sleep
airflow test tutorial sleep 2015-06-01複製程式碼

test 命令會執行任務並且輸出到控制檯，不會把任務的執行狀態進行持久化

執行任務和並記錄狀態

執行任務在 Airflow 中稱之為 backfill，以 backfill 執行會真正開始追蹤任務的執行狀態和依賴，並且會記錄日誌

# optional, start a web server in debug mode in the background
# airflow webserver --debug &

# start your backfill on a date range
airflow backfill tutorial -s 2015-06-01 -e 2015-06-07複製程式碼

更多關於 DAG 和 operator

DAG 的 scope

Airflow 會預設載入任意它能匯入到餓 DAG object，這就意味著只要是全域性的 DAG object 都可以被匯入，但是有時候為了讓 DAG 不被匯入，比如 SubDagOperator 就可以使用 local 的作用域。

dag_1 = DAG('this_dag_will_be_discovered')

def my_function()
    dag_2 = DAG('but_this_dag_will_not')

my_function()複製程式碼

DAG 可以指定預設的引數

DAG 的預設引數會應用到所有的 operator 中。

default_args=dict(
    start_date=datetime(2016, 1, 1),
    owner='Airflow')

dag = DAG('my_dag', default_args=default_args)
op = DummyOperator(task_id='dummy', dag=dag)
print(op.owner) # Airflow複製程式碼

擴充套件性極強的 operator

Airflow operator 很容易擴充套件，這也是 airflow 幾乎支援任何形式 task 重要原因。雖然 Airflow 支援不同的 task 可以傳輸資料，但是如果你的兩個 task 之間確實需要共享資料，最好的辦法是把他們寫在一起。

參考資料

• airflow.incubator.apache.org/
• github.com/apache/incu…
• medium.com/airbnb-engi…
• Airflow 測試 demo github.com/zhyq0826/ai…

更多原創文章，關注 wecatch 公眾號