如何动态迭代上游任务的输出以在气流中创建并行任务？

Question

请考虑以下DAG示例,其中第一个任务get_id_creds是从数据库中提取凭据列表.此操作告诉我数据库中的哪些用户可以运行进一步的数据预处理,并将这些ID写入文件/tmp/ids.txt.然后,我将这些ID扫描到我的DAG中,并使用它们生成upload_transaction可以并行运行的任务列表.

我的问题是:使用气流是否有更正确,更动态的方式来做到这一点？我在这里感觉笨拙和脆弱.如何直接将有效ID列表从一个进程传递到定义后续下游进程？

from datetime import datetime, timedelta
import os
import sys

from airflow.models import DAG
from airflow.operators.python_operator import PythonOperator

import ds_dependencies

SCRIPT_PATH = os.getenv('DASH_PREPROC_PATH')
if SCRIPT_PATH:
    sys.path.insert(0, SCRIPT_PATH)
    import dash_workers
else:
    print('Define DASH_PREPROC_PATH value in environmental variables')
    sys.exit(1)

default_args = {
  'start_date': datetime.now(),
  'schedule_interval': None
}

DAG = DAG(
  dag_id='dash_preproc',
  default_args=default_args
)

get_id_creds = PythonOperator(
    task_id='get_id_creds',
    python_callable=dash_workers.get_id_creds, 
    provide_context=True,
    dag=DAG)

with open('/tmp/ids.txt', 'r') as infile:
    ids = infile.read().splitlines()

for uid in uids:
    upload_transactions = PythonOperator(
        task_id=uid,
        python_callable=dash_workers.upload_transactions,
        op_args=[uid],
        dag=DAG)
    upload_transactions.set_downstream(get_id_creds)

Answer 1

根据@Juan Riza的建议，我检查了以下链接：在Airflow中创建动态工作流的正确方法。尽管我能够简化解决方案，以至于我认为自己可以在此处提供自己的实现的修改版本，但这几乎是答案：

from datetime import datetime
import os
import sys

from airflow.models import DAG
from airflow.operators.python_operator import PythonOperator

import ds_dependencies

SCRIPT_PATH = os.getenv('DASH_PREPROC_PATH')
if SCRIPT_PATH:
    sys.path.insert(0, SCRIPT_PATH)
    import dash_workers
else:
    print('Define DASH_PREPROC_PATH value in environmental variables')
    sys.exit(1)

ENV = os.environ

default_args = {
  # 'start_date': datetime.now(),
  'start_date': datetime(2017, 7, 18)
}

DAG = DAG(
  dag_id='dash_preproc',
  default_args=default_args
)

clear_tables = PythonOperator(
  task_id='clear_tables',
  python_callable=dash_workers.clear_db,
  dag=DAG)

def id_worker(uid):
    return PythonOperator(
        task_id=uid,
        python_callable=dash_workers.main_preprocess,
        op_args=[uid],
        dag=DAG)

for uid in capone_dash_workers.get_id_creds():
    clear_tables >> id_worker(uid)

clear_tables清理将由于该过程而重建的数据库。id_worker是一项函数，该函数根据从返回的ID值数组动态生成新的预处理任务get_if_creds。任务ID只是相应的用户ID，尽管它很容易成为索引i，如上面提到的示例所示。

注意该位移位运算符（<<）在我看来是后向的，因为该clear_tables任务应该排在第一位，但是在这种情况下它似乎可以正常工作。

Answer 2

考虑到 Apache Airflow 是一个工作流管理工具，即。它确定用户定义的任务之间的依赖关系（作为示例）与 apache Nifi（数据流管理工具），即。这里的依赖关系是通过任务传输的数据。

也就是说，我认为你的方法是正确的（我的评论基于发布的代码），但Airflow 提供了一个称为XCom. 它允许任务通过传递一些数据在它们之间进行“交叉通信”。传递的数据应该有多大？由你来测试！但一般来说应该不会那么大。我认为它是以键、值对的形式存储在气流元数据库中，即你不能传递文件，但带有 ids 的列表可以工作。

就像我说的，你应该自己测试一下。我很高兴了解您的经历。这是一个示例 dag，它演示了 的用法XCom，这里是必要的文档。干杯!