我的问题是关于一个DAG,它基于计算MySQL表中被上游任务删除和重建的行数,动态定义一个group of parallel tasks。我遇到的困难是,在我的上游任务中,我TRUNCATE
在重新构建它之前先清除它。这是sherlock_join_and_export_task
。当我这样做时,行数降到零,并且我的动态生成的任务将停止定义。当表被恢复时,图的结构也一样,但任务不再执行。相反,它们在树视图中显示为黑框:
下面是sherlock_join_and_export_task
删除count = worker.count_online_table()
行中引用的表之后的DAG:
在sherlock_join_and_export_task
完成后,DAG如下所示:
不过,这些任务都没有排队和执行。达格一直在跑,什么也没发生。在
在这种情况下,我会使用子DAG吗?关于如何设置这个,或者重写现有的DAG有什么见解吗?我用一个LocalExecutor
在AWS服务器上运行这个。以下代码供参考:
from datetime import datetime
import os
import sys
from airflow.models import DAG
from airflow.operators.python_operator import PythonOperator
BATCH_SIZE = 75000
from preprocessing.marketing.minimalist.table_builder import OnlineOfflinePreprocess
worker = OnlineOfflinePreprocess()
def partial_process_flow(batch_size, offset):
worker = OnlineOfflinePreprocess()
worker.import_offline_data()
worker.import_online_data(batch_size, offset)
worker.merge_aurum_to_sherlock()
worker.upload_table('aurum_to_sherlock')
def batch_worker(batch_size, offset, DAG):
return PythonOperator(
task_id="{0}_{1}".format(offset, batch_size),
python_callable=partial_process_flow,
op_args=[batch_size, offset],
dag=DAG)
DAG = DAG(
dag_id='minimalist_data_preproc',
start_date=datetime(2018, 1, 7, 2, 0, 0, 0), #..EC2 time. Equal to 11pm hora México
max_active_runs=1,
concurrency=4,
schedule_interval='0 9 * * *', #..4am hora mexico
catchup=False
)
clear_table_task = PythonOperator(
task_id='clear_table_task',
python_callable=worker.clear_marketing_table,
op_args=['aurum_to_sherlock'],
dag=DAG
)
sherlock_join_and_export_task = PythonOperator(
task_id='sherlock_join_and_export_task',
python_callable=worker.join_online_and_send_to_galileo,
dag=DAG
)
sherlock_join_and_export_task >> clear_table_task
count = worker.count_online_table()
if count == 0:
sherlock_join_and_export_task >> batch_worker(-99, -99, DAG) #..dummy task for when left join deleted
else:
format_table_task = PythonOperator(
task_id='format_table_task',
python_callable=worker.format_final_table,
dag=DAG
)
build_attributions_task = PythonOperator(
task_id='build_attributions_task',
python_callable=worker.build_attribution_weightings,
dag=DAG
)
update_attributions_task = PythonOperator(
task_id='update_attributions_task',
python_callable=worker.update_attributions,
dag=DAG
)
first_task = batch_worker(BATCH_SIZE, 0, DAG)
clear_table_task >> first_task
for offset in range(BATCH_SIZE, count, BATCH_SIZE):
first_task >> batch_worker(BATCH_SIZE, offset, DAG) >> format_table_task
format_table_task >> build_attributions_task >> update_attributions_task
下面是一个简化的DAG工作原理:
^{pr2}$
看看你的dag,我想你已经实现了一个非幂等流程,而气流并不是真正配置的。与其截短/更新您正在构建的表,您可能应该保留对任务的配置并只更新开始日期/结束日期,以便在任务级别启用和禁用这些任务以进行调度,或者甚至在每次迭代时运行所有这些任务,并在脚本中检查该表,以便在作业被禁用时仅运行hello world。在
我和这个用例抗争了很长时间。简言之,基于不断变化的资源状态构建的dag,尤其是db表,在气流中飞行得并不好。在
我的解决方案是编写一个小的自定义操作符,它是truggerdageoperator的子类,它执行查询,然后为每个子进程触发dagruns。在
它使流程“join”下游更有趣,但在我的用例中,我可以使用另一个dag来解决它,如果给定一天的所有子流程都已完成,则该dag会进行轮询和短路。在其他情况下,分区传感器可以做到这一点。在
我有几个这样的用例(基于动态源的迭代dag触发器),在与使动态子dag工作(很多)进行了大量的斗争之后,我切换到了这个“触发器子流程”策略,并且从那以后一直做得很好。在
注意-这可能会为一个目标(目标)生成大量的dagruns。这使得UI在某些地方具有挑战性,但它是可行的(我已经开始直接查询数据库,因为我还没有准备好编写一个插件来填充UI)
相关问题 更多 >
编程相关推荐