Airflow 简介及原理

Airflow 简介及原理

Airflow 一个用于编排复杂计算工作流和数据处理流水线的开源工具，通常可以解决一些复杂超长 Cron 脚本任务或者大数据的批量处理任务。

其工作流的设计是基于有向无环图 (Directed Acyclical Graphs, DAG) ，用于设置任务依赖关系和时间调度。

简单来说，在编写工作流时，尽量考虑如何将一个大型的任务拆分为多个可独立执行的原子任务，再将这些任务合并为一个逻辑整体。

这里简单介绍一些常见的基本概念及其使用方法。

常见名词解释

DAG

代表一个工作流，一个 DAG 中包含多个 Task，多个 Task 组成一个有向无环图。DAG 可以配置调度时间。如下图是一个 DAG，其中有 6 个 Task 按顺序执行。

DAG 通过 Python 定义，如下

# -*- coding: utf-8 -*-
#
# Licensed to the Apache Software Foundation (ASF) under one
# or more contributor license agreements.  See the NOTICE file
# distributed with this work for additional information
# regarding copyright ownership.  The ASF licenses this file
# to you under the Apache License, Version 2.0 (the
# "License"); you may not use this file except in compliance
# with the License.  You may obtain a copy of the License at
#
#   http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing,
# software distributed under the License is distributed on an
# "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY
# KIND, either express or implied.  See the License for the
# specific language governing permissions and limitations
# under the License.

from builtins import range
from datetime import timedelta

import airflow
from airflow.models import DAG
from airflow.operators.bash_operator import BashOperator
from airflow.operators.dummy_operator import DummyOperator

args = {
    'owner': 'Airflow',
    'start_date': airflow.utils.dates.days_ago(2),
}

dag = DAG(
    dag_id='example_bash_operator',
    default_args=args,
    schedule_interval='0 0 * * *',
    dagrun_timeout=timedelta(minutes=60),
)

run_this_last = DummyOperator(
    task_id='run_this_last',
    dag=dag,
)

# [START howto_operator_bash]
run_this = BashOperator(
    task_id='run_after_loop',
    bash_command='echo 1',
    dag=dag,
)
# [END howto_operator_bash]

run_this >> run_this_last

for i in range(3):
    task = BashOperator(
        task_id='runme_' + str(i),
        bash_command='echo "{{ task_instance_key_str }}" && sleep 1',
        dag=dag,
    )
    task >> run_this

# [START howto_operator_bash_template]
also_run_this = BashOperator(
    task_id='also_run_this',
    bash_command='echo "run_id={{ run_id }} | dag_run={{ dag_run }}"',
    dag=dag,
)
# [END howto_operator_bash_template]
also_run_this >> run_this_last

if __name__ == "__main__":
    dag.cli()

Task

Airflow 任务中的最小执行单元，Operator 的实例。，Airflow 中有很多 Operator 供选择，常用的有 BashOperator，用来执行 bash 命令的 Operator。如下表示一个 Task

run_this = BashOperator(
    task_id='run_after_loop',
    bash_command='echo 1',
    dag=dag,
)

Schedule

调度时间，类似于 crontab。用法跟 crontab 一样

Execution_date

执行日期，指当前调度的调度日期。

Airflow 核心组件

Airflow 核心组件有 Web Server，Scheduler，Metadata Database， Executor， Worker。

• webserver : 提供图形界面，可以监控 dag 运行状态，也可以对 dag 操作。需要注意的一点是，airflow 的 webserver 使用的是 Gunicorn 框架，所以 webserver 只能运行在 Linux/Unix 内核的操作系统中。
• Scheduler：调度器，你的 dag 是否该执行由调度器管理。
• metadata database：元数据库，默认为 SQLite，可以支持 MySQL，PostgreSQL。需要注意的是，如果使用 SQLite，并发数只能为 1，所以一般情况下都不会选用SQLite。
• Executor：定义任务的执行。
• Worker：用来执行 Executor 接收的任务。