Hola, sò Dmitry Logvinenko - Data Engineer di u Dipartimentu di Analisi di u gruppu di cumpagnie Vezet.
Vi diceraghju di una maravigliosa strumentu per sviluppà prucessi ETL - Apache Airflow. Ma Airflow hè cusì versatile è multifaceted chì duvete piglià un ochju più attentu ancu s'ellu ùn site micca implicatu in i flussi di dati, ma avete bisognu di lancià periodicamente qualsiasi prucessi è monitorizà a so esecuzione.
È iè, ùn vi dicu micca solu, ma ancu mostra: u prugramma hà assai codice, screenshots è cunsiglii.
Ciò chì vede di solitu quandu google a parolla Airflow / Wikimedia Commons
- solu megliu, è hè statu fattu per scopi completamente diversi, à dì (cum'è hè scrittu prima di u kat):
eseguisce è monitorizà e attività nantu à un numeru illimitatu di macchine (quantu vi permetteranu assai Celery / Kubernetes è a vostra cuscenza)
cù generazione di flussu di travagliu dinamicu da assai faciule da scrive è capisce u codice Python
è a capacità di cunnette qualsiasi basa di dati è API cù l'altri utilizendu cumpunenti pronti è plugins fatti in casa (chì hè estremamente simplice).
Utilizemu Apache Airflow cusì:
cullemu dati da diverse fonti (assai SQL Server è PostgreSQL, diverse API cù metriche di l'applicazione, ancu 1C) in DWH è ODS (avemu Vertica è Clickhouse).
quantu avanzatu cron, chì principia i prucessi di cunsulidazione di dati nantu à l'ODS, è monitoreghja ancu u so mantenimentu.
Finu à pocu tempu, i nostri bisogni eranu cuparti da un servitore chjucu cù core 32 è 50 GB di RAM. In Airflow, questu funziona:
più di più 200 ghjorni (in realtà flussi di travagliu, in quale avemu imbottitu i travaglii),
in ognunu in media 70 compiti,
sta bontà principia (ancu in media) una volta à l'ora.
E quantu avemu sviluppatu, scriveraghju quì sottu, ma avà definiscemu u über-prublema chì avemu da risolve:
Ci hè trè servitori SQL originali, ognunu cù 50 basa di dati - istanze di un prughjettu, rispettivamente, anu a listessa struttura (quasi in ogni locu, mua-ha-ha), chì significa chì ognunu hà una tavola Orders (furtunatamente, una tavula cù questu). nome pò esse spintu in ogni attività). Pigliemu e dati aghjunghjendu campi di serviziu (servitore di fonte, basa di dati di fonte, ID di compitu ETL) è ingenuamente i lanciamu in, dì, Vertica.
Let's go!
A parte principale, pratica (è un pocu teorica)
Perchè noi (è voi)
Quandu l'arburi eranu grossi è eru simplice SQL-schik in un retail russu, avemu scammed processi ETL aka flussi di dati utilizendu dui strumenti dispunibuli per noi:
Informatica Power Center - un sistema estremamente diffuso, estremamente produtivu, cù u so propiu hardware, a so propria versione. Aghju utilizatu Diu pruibisce 1% di e so capacità. Perchè? Ebbè, prima di tuttu, sta interfaccia, in qualchì parte di l'anni 380, ci mette mentalmente pressione. In siconda, stu contraption hè pensatu per prucessi estremamente fantastichi, reutilizazione di cumpunenti furiosi è altri trucchi d'impresa assai impurtanti. À u fattu chì costa, cum'è l'ala di l'Airbus AXNUMX / annu, ùn dicemu nunda.
Attenti, una screenshot pò ferisce un pocu à e persone sottu 30 anni
Servitore di integrazione di SQL Server - avemu usatu stu camarade in i nostri flussi intra-prughjetti. Ebbè, in fattu: avemu digià utilizatu SQL Server, è ùn saria micca raghjone micca di utilizà i so strumenti ETL. Tuttu in questu hè bonu: sia l'interfaccia hè bella, è i rapporti di prugressu ... Ma ùn hè micca per quessa chì amemu i prudutti di software, oh, micca per questu. Versione dtsx (chì hè XML cù i nodi mischiati nantu à salvà) pudemu, ma chì hè u puntu? Cume di fà un pacchettu di compiti chì trascinarà centinaie di tavule da un servitore à l'altru? Iè, chì centu, u vostru dito indice cascarà da vinti pezzi, clicchendu nantu à u buttone di u mouse. Ma certamente pare più di moda:
Certamente avemu cercatu i modi per esce. Casu ancu quasi ghjuntu à un generatore di pacchetti SSIS auto-scritto ...
... è dopu un novu travagliu m'hà trovu. È Apache Airflow m'hà sopratuttu.
Quandu aghju scupertu chì e descrizzioni di u prucessu ETL sò simplici codice Python, ùn aghju micca ballatu di gioia. Hè cusì chì i flussi di dati sò stati versionati è difficiuti, è versà e tavule cù una struttura unica da centinaie di basa di dati in un scopu hè diventatu una materia di codice Python in una e mezza o duie schermi di 13 ".
Assemblage u cluster
Ùn avemu micca urganizà un kindergarten cumpletamente, è ùn parlemu micca di cose completamente evidenti quì, cum'è installà Airflow, a vostra basa di dati scelta, Celery è altri casi descritti in i docks.
In modu chì pudemu inizià immediatamente l'esperimenti, aghju sketched docker-compose.yml in quale:
Aumentemu veramente Airflow: Scheduler, Webserver. Fiore girarà ancu quì per monitorà i travaglii di Celery (perchè hè digià statu imbuttatu apache/airflow:1.10.10-python3.7, ma ùn ci importa micca)
PostgreSQL, in quale Airflow scriverà a so infurmazione di serviziu (dati di pianificazione, statistiche di esicuzzioni, etc.), è Celery marcarà i travaglii cumpleti;
Redis, chì agisce cum'è un broker di attività per Celery;
Travailleur à l'api, chì serà impegnatu in l'esekzione diretta di i travaglii.
À u cartulare ./dags avemu da aghjunghje i nostri schedari cù a discrizzione di dags. Seranu pigliati nantu à a mosca, per quessa, ùn ci hè bisognu di juggle tutta a pila dopu ogni starnutu.
In certi lochi, u codice in l'esempii ùn hè micca cumplettamente mostratu (per ùn sbulicà u testu), ma in un locu hè mudificatu in u prucessu. Esempi di codice di travagliu cumpletu ponu esse truvati in u repository https://github.com/dm-logv/airflow-tutorial.
In l'assemblea di a cumpusizioni, aghju largamente basatu nantu à l'imaghjini cunnisciuti pukel/docker-airflow - assicuratevi di verificà. Forsi ùn avete micca bisognu di nunda in a vostra vita.
Tutti i paràmetri di u flussu d'aria sò dispunibili micca solu per mezu airflow.cfg, ma ancu per mezu di variabili di l'ambienti (grazie à i sviluppatori), chì aghju apprufittatu maliciosamente.
Naturalmente, ùn hè micca prontu per a produzzione: ùn aghju micca deliberatamente pusatu batti di cori nantu à i cuntenituri, ùn aghju micca preoccupatu di sicurità. Ma aghju fattu u minimu adattatu per i nostri sperimentatori.
Nota chì:
U cartulare dag deve esse accessìbule à tramindui u scheduler è i travagliadori.
U listessu vale per tutte e biblioteche di terze parti - devenu esse installate in macchine cù un pianificatore è travagliadori.
Ebbè, avà hè simplice:
$ docker-compose up --scale worker=3
Dopu chì tuttu suscita, pudete guardà l'interfaccia web:
Se ùn avete micca capitu nunda in tutti questi "dags", allora quì hè un brevi dizziunariu:
Scheduler - u ziu più impurtante in Airflow, chì cuntrolla chì i robots travaglianu duramente, è micca una persona: monitorizza u calendariu, aghjurnà i dati, lancia i travaglii.
In generale, in e versioni più vechje, hà avutu prublemi cù a memoria (nè, micca amnesia, ma perdite) è u paràmetru legatu hè ancu in i cunfigurazioni. run_duration - u so intervallu di riiniziata. Ma avà tuttu hè bè.
DAG (aka "dag") - "grafu aciclicu direttu", ma una tale definizione diciarà à pocu di persone, ma in fattu hè un containeru per i travaglii chì interagiscenu cù l'altri (vede sottu) o un analogu di Package in SSIS è Workflow in Informatica .
In più di i dags, pò ancu esse subdags, ma assai prubabilmente ùn ghjunghjemu micca.
DAG Run - dag inizializatu, chì hè assignatu u so propiu execution_date. Dagrans di u listessu dag pò travaglià in parallelu (se avete fattu i vostri compiti idempotent, sicuru).
Operator sò pezzi di codice rispunsevuli di fà una azzione specifica. Ci sò trè tippi di operatori:
azzionecum'è u nostru preferitu PythonOperator, chì pò eseguisce qualsiasi codice Python (validu);
trasferimentu, chì trasporta dati da locu à locu, dì, MsSqlToHiveTransfer;
senzor da l 'altra banda, vi permetterà di riagisce o rallentà u più esicuzzioni di u dag finu à un avvene. HttpSensor pò tirà l'endpoint specificatu, è quandu a risposta desiderata aspetta, principià u trasferimentu GoogleCloudStorageToS3Operator. Una mente curiosa dumandarà: "perchè? Dopu tuttu, pudete fà ripetizioni ghjustu in l'operatore! È dopu, per ùn sbattà a piscina di i travaglii cù l'operatori suspesi. U sensoru principia, verifica è morse prima di u prossimu tentativu.
compitu - l'operatori dichjarati, indipendentemente da u tipu, è attaccati à u dag sò promossi à u rangu di compitu.
istanza di compitu - quandu u pianificatore generale hà decisu chì era ora di mandà i travaglii in battaglia nantu à i travagliadori di l'esecutori (subitu in u locu, se usemu LocalExecutor o à un node remoto in u casu di CeleryExecutor), li assigna un cuntestu (vale à dì, un inseme di variàbili - paràmetri d'esekzione), espansione mudelli di cumandamenti o di dumanda, è li riunisce.
Generemu i travaglii
Prima, spieghemu u schema generale di u nostru doug, è poi immersione in i ditagli più è più, perchè applichemu alcune suluzioni micca triviali.
Allora, in a so forma più simplice, un tali dag sarà cusì:
from datetime import timedelta, datetime
from airflow import DAG
from airflow.operators.python_operator import PythonOperator
from commons.datasources import sql_server_ds
dag = DAG('orders',
schedule_interval=timedelta(hours=6),
start_date=datetime(2020, 7, 8, 0))
def workflow(**context):
print(context)
for conn_id, schema in sql_server_ds:
PythonOperator(
task_id=schema,
python_callable=workflow,
provide_context=True,
dag=dag)
Scupritemu:
Prima, avemu impurtà i libbres nicissariu è calcosa altru;
sql_server_ds Is List[namedtuple[str, str]] cù i nomi di e cunnessione da Airflow Connections è e basa di dati da quale avemu da piglià a nostra piastra;
dag - l'annunziu di u nostru doug, chì deve esse necessariamente in globals(), altrimenti Airflow ùn truverà micca. Doug hà ancu bisognu di dì:
quale hè u so nome orders - stu nomu apparirà dopu in l'interfaccia web,
ch'ellu hà da travaglià da mezanotte l'ottu di lugliu,
è duverebbe correre, circa ogni 6 ore (per i duri quì invece di timedelta() ammissibile cron-linea 0 0 0/6 ? * * *, per i menu cool - una espressione cum'è @daily);
workflow() farà u travagliu principale, ma micca avà. Per avà, avemu da dump solu u nostru cuntestu in u logu.
È avà a magia simplice di creà i travaglii:
currimu attraversu e nostre fonti;
inizializza PythonOperator, chì eseguirà u nostru manichino workflow(). Ùn vi scurdate di specificà un nome unicu (dentru u dag) di u compitu è ligà u dag stessu. Bandiera provide_context à u turnu, verserà argumenti supplementari in a funzione, chì avemu da cullà cù cura cù l'usu **context.
Per avà, hè tuttu. Ciò chì avemu avutu:
novu dag in l'interfaccia web,
un centu è mezu di travagliu chì serà eseguitu in parallelu (se l'Airflow, i paràmetri di Celery è a capacità di u servitore permettenu).
Ebbè, quasi capitu.
Quale hà da installà e dipendenze ?
Per simplificà sta cosa sana, aghju struitu docker-compose.yml trasfurmazioni requirements.txt nantu à tutti i nodi.
Avà hè andatu:
I quadrati grigi sò istanze di attività processate da u pianificatore.
Aspittemu un pocu, i travaglii sò chjappi da i travagliadori:
I verdi, sicuru, anu finitu cù successu u so travagliu. I rossi ùn sò micca assai successu.
Per via, ùn ci hè micca un cartulare nant'à u nostru prod ./dags, ùn ci hè micca sincronizazione trà e machini - tutti i dags si trovanu git nantu à u nostru Gitlab, è Gitlab CI distribuisce l'aghjurnamenti à e macchine quandu si fusione master.
Un pocu di Flower
Mentre i travagliadori sbattulanu i nostri pacifiers, ricurdemu un altru strumentu chì ci pò mustrà qualcosa - Fiore.
A prima pagina cù infurmazione riassuntu nantu à i nodi di u travagliu:
A pagina più intensa cù i travaglii chì sò andati à travaglià:
A pagina più noiosa cù u statutu di u nostru broker:
A pagina più luminosa hè cù i grafici di u statutu di u travagliu è u so tempu di esecuzione:
Carichemu u sottucarcatu
Allora, tutti i travaglii anu travagliatu, pudete purtari i feriti.
E ci sò stati assai feriti - per una ragione o un altru. In u casu di l'usu currettu di Airflow, sti assai quadrati indicanu chì i dati ùn sò micca ghjunti.
Avete bisognu di guardà u logu è riavvia i casi caduti di u travagliu.
Cliccà nant'à ogni quadru, videremu l'azzioni dispunibuli per noi:
Pudete piglià è fà Clear i caduti. Vale à dì, scurdemu chì qualcosa hà fiascatu quì, è u listessu compitu di istanza andrà à u pianificatore.
Hè chjaru chì fà questu cù u mouse cù tutti i quadrati rossi ùn hè micca assai umanu - questu ùn hè micca ciò chì aspittemu da Airflow. Naturalmente, avemu armi di distruzzione di massa: Browse/Task Instances
Selezziunate tuttu in una volta è resettate à zero, cliccate l'elementu currettu:
Dopu à a pulitura, i nostri taxis parenu cusì (anu digià aspittendu chì u pianificatore li pianifichi):
Cunnessioni, ganci è altre variabili
Hè ora di fighjà u prossimu DAG, update_reports.py:
from collections import namedtuple
from datetime import datetime, timedelta
from textwrap import dedent
from airflow import DAG
from airflow.contrib.operators.vertica_operator import VerticaOperator
from airflow.operators.email_operator import EmailOperator
from airflow.utils.trigger_rule import TriggerRule
from commons.operators import TelegramBotSendMessage
dag = DAG('update_reports',
start_date=datetime(2020, 6, 7, 6),
schedule_interval=timedelta(days=1),
default_args={'retries': 3, 'retry_delay': timedelta(seconds=10)})
Report = namedtuple('Report', 'source target')
reports = [Report(f'{table}_view', table) for table in [
'reports.city_orders',
'reports.client_calls',
'reports.client_rates',
'reports.daily_orders',
'reports.order_duration']]
email = EmailOperator(
task_id='email_success', dag=dag,
to='{{ var.value.all_the_kings_men }}',
subject='DWH Reports updated',
html_content=dedent("""Господа хорошие, отчеты обновлены"""),
trigger_rule=TriggerRule.ALL_SUCCESS)
tg = TelegramBotSendMessage(
task_id='telegram_fail', dag=dag,
tg_bot_conn_id='tg_main',
chat_id='{{ var.value.failures_chat }}',
message=dedent("""
Наташ, просыпайся, мы {{ dag.dag_id }} уронили
"""),
trigger_rule=TriggerRule.ONE_FAILED)
for source, target in reports:
queries = [f"TRUNCATE TABLE {target}",
f"INSERT INTO {target} SELECT * FROM {source}"]
report_update = VerticaOperator(
task_id=target.replace('reports.', ''),
sql=queries, vertica_conn_id='dwh',
task_concurrency=1, dag=dag)
report_update >> [email, tg]
Tutti anu mai fattu un aghjurnamentu di rapportu? Questu hè u so novu: ci hè una lista di fonti da induve pè ottene i dati; ci hè una lista induve mette; Ùn vi scurdate di chjappà quandu tuttu hè accadutu o ruttu (bene, questu ùn hè micca di noi, nò).
Andemu à traversu u schedariu novu è fighjemu a nova roba oscura:
from commons.operators import TelegramBotSendMessage - nunda ùn ci impedisce di fà i nostri propri operatori, chì avemu apprufittatu di facennu un picculu wrapper per mandà missaghji à Unblocked. (Parleremu più nantu à questu operatore quì sottu);
default_args={} - dag pò distribuisce i stessi argumenti à tutti i so uperatori;
to='{{ var.value.all_the_kings_men }}' - campu to ùn averemu micca codificati, ma generati dinamicamente cù Jinja è una variabile cù una lista di e-mail, chì aghju messu cù cura. Admin/Variables;
trigger_rule=TriggerRule.ALL_SUCCESS - cundizione per inizià l'operatore. In u nostru casu, a lettera volarà à i patroni solu s'ellu tutte e dipendenze anu travagliatu cun successu;
tg_bot_conn_id='tg_main' - argumenti conn_id accettà l'ID di cunnessione chì avemu creatu in Admin/Connections;
trigger_rule=TriggerRule.ONE_FAILED - i missaghji in Telegram volaranu solu s'ellu ci sò compiti caduti;
task_concurrency=1 - pruibitemu u lanciamentu simultaneo di parechje istanze di un compitu. Altrimenti, avemu da ottene u lanciamentu simultanea di parechji VerticaOperator (fighjendu una tavula);
report_update >> [email, tg] - tuttu VerticaOperator cunverge in l'inviu di lettere è missaghji, cum'è questu:
Ma postu chì l'operatori di notificazione anu diverse cundizioni di lanciamentu, solu unu funzionerà. In u Tree View, tuttu pare un pocu menu visuale:
Diceraghju uni pochi di parolle macros è i so amichi - variabili.
I macros sò marcatori Jinja chì ponu rimpiazzà diverse informazioni utili in argumenti di l'operatore. Per esempiu, cusì:
SELECT
id,
payment_dtm,
payment_type,
client_id
FROM orders.payments
WHERE
payment_dtm::DATE = '{{ ds }}'::DATE
{{ ds }} espansione à u cuntenutu di a variabile di cuntestu execution_date in u furmatu YYYY-MM-DD: 2020-07-14. A più bona parte hè chì e variàbili di u cuntestu sò inchiodate à una istanza di compitu specificu (un quadratu in a Vista di l'Arburu), è quandu riavviate, i marcatori si espanderanu à i stessi valori.
I valori assignati ponu esse visti cù u buttone Rendu in ogni istanza di attività. Eccu cumu u compitu di mandà una lettera:
È cusì à u compitu di mandà un missaghju:
Una lista cumpleta di macros integrate per l'ultima versione dispunibule hè dispunibule quì: riferimentu à i macros
Inoltre, cù l'aiutu di i plugins, pudemu dichjarà i nostri macros, ma hè una altra storia.
In più di e cose predefinite, pudemu rimpiazzà i valori di e nostre variàbili (aghju digià utilizatu questu in u codice sopra). Creemu in Admin/Variables un paru di cose:
basta aduprà a strada à a chjave desiderata: {{ var.json.bot_config.bot.token }}.
Diceraghju literalmente una parolla è mostrarà una screenshot cunnessione. Tuttu hè elementariu quì: nantu à a pagina Admin/Connections criemu una cunnessione, aghjunghje i nostri logins / password è paràmetri più specifichi quì. Cum'è què:
I password ponu esse criptati (più accuratamente di u predeterminatu), o pudete lascià u tipu di cunnessione (cum'è aghju fattu per tg_main) - u fattu hè chì a lista di i tipi hè cablata in i mudelli Airflow è ùn pò micca esse allargata senza entre in i codici fonte (se di colpu ùn aghju micca google qualcosa, per piacè correggimi), ma nunda ùn ci impedirà di ottene crediti solu da nomu.
Pudete ancu fà parechje cunnessione cù u stessu nome: in questu casu, u metudu BaseHook.get_connection(), chì ci dà cunnessione per nome, darà casuale da parechji omonimi (saria più logica per fà Round Robin, ma lassemu nantu à a cuscenza di i sviluppatori di Airflow).
Variabili è Cunnessioni sò certamenti arnesi cool, ma hè impurtante ùn perde micca u equilibriu: quali parti di i vostri flussi guardate in u codice stessu, è quali parti dà à Airflow per u almacenamentu. Da una banda, pò esse convenientu per cambià rapidamente u valore, per esempiu, una casella di mailing, attraversu l'UI. Per d 'altra banda, questu hè sempre un ritornu à u clicu di u mouse, da quale avemu (I) vulia sbarazzarsi.
U travagliu cù cunnessione hè unu di i travaglii ganci. In generale, i ganci di Airflow sò punti per cunnette cù servizii di terzu è biblioteche. Per esempiu, JiraHook aprirà un cliente per noi per interagisce cù Jira (pudete spustà i travaglii avanti è avanti), è cù l'aiutu di SambaHook pudete spinghje un schedariu locale smb- puntu.
Analisi di l'operatore persunalizatu
È avemu vicinu à vede cumu hè fattu TelegramBotSendMessage
from typing import Union
from airflow.operators import BaseOperator
from commons.hooks import TelegramBotHook, TelegramBot
class TelegramBotSendMessage(BaseOperator):
"""Send message to chat_id using TelegramBotHook
Example:
>>> TelegramBotSendMessage(
... task_id='telegram_fail', dag=dag,
... tg_bot_conn_id='tg_bot_default',
... chat_id='{{ var.value.all_the_young_dudes_chat }}',
... message='{{ dag.dag_id }} failed :(',
... trigger_rule=TriggerRule.ONE_FAILED)
"""
template_fields = ['chat_id', 'message']
def __init__(self,
chat_id: Union[int, str],
message: str,
tg_bot_conn_id: str = 'tg_bot_default',
*args, **kwargs):
super().__init__(*args, **kwargs)
self._hook = TelegramBotHook(tg_bot_conn_id)
self.client: TelegramBot = self._hook.client
self.chat_id = chat_id
self.message = message
def execute(self, context):
print(f'Send "{self.message}" to the chat {self.chat_id}')
self.client.send_message(chat_id=self.chat_id,
message=self.message)
Quì, cum'è tuttu in Airflow, tuttu hè assai simplice:
Ereditatu da BaseOperator, chì implementa un pocu di cose specifiche à u flussu di l'aria (guardate u vostru piacè)
Campi dichjarati template_fields, in quale Jinja cercarà macros per processà.
Arranged the right arguments for __init__(), stabilisce i valori predeterminati induve necessariu.
Ùn avemu micca scurdatu ancu di l'inizializazione di l'antenatu.
Apertu u ganciu currispundente TelegramBotHookricevutu un oggettu cliente da ellu.
Metudu annullatu (ridefinitu). BaseOperator.execute(), chì Airfow twitch quandu vene u tempu di lancià l'operatore - in questu implementeremu l'azzione principale, scurdendu di login. (Avemu login, per via, ghjustu in stdout и stderr - U flussu d'aria intercepterà tuttu, avvolge bè, scompone induve hè necessariu.)
Videmu ciò chì avemu commons/hooks.py. A prima parte di u schedariu, cù u ganciu stessu:
from typing import Union
from airflow.hooks.base_hook import BaseHook
from requests_toolbelt.sessions import BaseUrlSession
class TelegramBotHook(BaseHook):
"""Telegram Bot API hook
Note: add a connection with empty Conn Type and don't forget
to fill Extra:
{"bot_token": "YOuRAwEsomeBOtToKen"}
"""
def __init__(self,
tg_bot_conn_id='tg_bot_default'):
super().__init__(tg_bot_conn_id)
self.tg_bot_conn_id = tg_bot_conn_id
self.tg_bot_token = None
self.client = None
self.get_conn()
def get_conn(self):
extra = self.get_connection(self.tg_bot_conn_id).extra_dejson
self.tg_bot_token = extra['bot_token']
self.client = TelegramBot(self.tg_bot_token)
return self.client
Ùn sò ancu ciò chì spiegà quì, aghju da nutà i punti impurtanti:
Eriditemu, pensate à l'argumenti - in a maiò parte di i casi serà unu: conn_id;
Overriding metudi standard: Mi limitò get_conn(), in quale aghju ottene i paràmetri di cunnessione per nome è solu uttene a sezione extra (questu hè un campu JSON), in quale aghju (sicondu i mo struzzioni!) Mettite u token di u bot Telegram: {"bot_token": "YOuRAwEsomeBOtToKen"}.
Creu un esempiu di u nostru TelegramBot, dendu un token specificu.
Eccu tuttu. Pudete uttene un cliente da un ganciu utilizendu TelegramBotHook().clent o TelegramBotHook().get_conn().
È a seconda parte di u schedariu, in quale aghju fattu un microwrapper per l'API Telegram REST, per ùn trascinà u listessu python-telegram-bot per un metudu sendMessage.
A manera curretta hè di aghjunghje tuttu: TelegramBotSendMessage, TelegramBotHook, TelegramBot - in u plugin, mette in un repositoriu publicu, è dà à Open Source.
Mentre studiavamu tuttu questu, l'aghjurnamenti di u nostru rapportu anu riesciutu à fallu bè è mi mandanu un missaghju d'errore in u canali. Aghju da verificà per vede s'ellu hè sbagliatu ...
Qualcosa s'hè rottu in u nostru doge ! Ùn hè micca ciò chì avemu aspittatu ? Esattamente!
Avete da versà ?
Sentu chì mi mancava qualcosa? Sembra ch'ellu hà prumessu di trasfiriri dati da SQL Server à Vertica, è poi l'hà pigliatu è si trasfirìu di u tema, u cane!
Questa atrocità era intenzionale, solu aghju avutu à decifrare una terminologia per voi. Avà pudete andà più in là.
U nostru pianu era questu:
Fate dag
Genera i travaglii
Vede quantu hè bella tuttu
Assignà numeri di sessione à riempie
Ottene dati da SQL Server
Mettite dati in Vertica
Cullate statistiche
Allora, per ottene tuttu questu, aghju fattu una piccula aghjunta à u nostru docker-compose.yml:
Vertica cum'è host dwh cù i paràmetri più predeterminati,
trè istanze di SQL Server,
empiemu e basa di dati in l'ultime cù qualchi dati (in nisun casu ùn guardate micca mssql_init.py!)
Lancemu tuttu u bonu cù l'aiutu di un cumandamentu un pocu più cumplicatu cà l'ultima volta:
$ docker-compose -f docker-compose.yml -f docker-compose.db.yml up --scale worker=3
Ciò chì u nostru miraculu randomizer generatu, pudete aduprà l'articulu Data Profiling/Ad Hoc Query:
A cosa principal ùn hè micca di mostrà à l'analista
elaborare nantu Sessioni ETL Ùn aghju micca, tuttu hè triviale quì: facemu una basa, ci hè un segnu in questu, avemu tuttu cù un gestore di cuntestu, è avà facemu questu:
with Session(task_name) as session:
print('Load', session.id, 'started')
# Load worflow
...
session.successful = True
session.loaded_rows = 15
sessione.py
from sys import stderr
class Session:
"""ETL workflow session
Example:
with Session(task_name) as session:
print(session.id)
session.successful = True
session.loaded_rows = 15
session.comment = 'Well done'
"""
def __init__(self, connection, task_name):
self.connection = connection
self.connection.autocommit = True
self._task_name = task_name
self._id = None
self.loaded_rows = None
self.successful = None
self.comment = None
def __enter__(self):
return self.open()
def __exit__(self, exc_type, exc_val, exc_tb):
if any(exc_type, exc_val, exc_tb):
self.successful = False
self.comment = f'{exc_type}: {exc_val}n{exc_tb}'
print(exc_type, exc_val, exc_tb, file=stderr)
self.close()
def __repr__(self):
return (f'<{self.__class__.__name__} '
f'id={self.id} '
f'task_name="{self.task_name}">')
@property
def task_name(self):
return self._task_name
@property
def id(self):
return self._id
def _execute(self, query, *args):
with self.connection.cursor() as cursor:
cursor.execute(query, args)
return cursor.fetchone()[0]
def _create(self):
query = """
CREATE TABLE IF NOT EXISTS sessions (
id SERIAL NOT NULL PRIMARY KEY,
task_name VARCHAR(200) NOT NULL,
started TIMESTAMPTZ NOT NULL DEFAULT current_timestamp,
finished TIMESTAMPTZ DEFAULT current_timestamp,
successful BOOL,
loaded_rows INT,
comment VARCHAR(500)
);
"""
self._execute(query)
def open(self):
query = """
INSERT INTO sessions (task_name, finished)
VALUES (%s, NULL)
RETURNING id;
"""
self._id = self._execute(query, self.task_name)
print(self, 'opened')
return self
def close(self):
if not self._id:
raise SessionClosedError('Session is not open')
query = """
UPDATE sessions
SET
finished = DEFAULT,
successful = %s,
loaded_rows = %s,
comment = %s
WHERE
id = %s
RETURNING id;
"""
self._execute(query, self.successful, self.loaded_rows,
self.comment, self.id)
print(self, 'closed',
', successful: ', self.successful,
', Loaded: ', self.loaded_rows,
', comment:', self.comment)
class SessionError(Exception):
pass
class SessionClosedError(SessionError):
pass
U tempu hè ghjuntu raccoglie i nostri dati da i nostri centu è mezu tavule. Facemu questu cù l'aiutu di linii assai senza pretensione:
source_conn = MsSqlHook(mssql_conn_id=src_conn_id, schema=src_schema).get_conn()
query = f"""
SELECT
id, start_time, end_time, type, data
FROM dbo.Orders
WHERE
CONVERT(DATE, start_time) = '{dt}'
"""
df = pd.read_sql_query(query, source_conn)
Cù l'aiutu di un ganciu avemu da Airflow pymssql- cunnette
Sustituemu una restrizzione in a forma di data in a dumanda - serà ghjittatu in a funzione da u mutore di mudellu.
Alimentate a nostra dumanda pandaschi ci purtarà DataFrame - serà utile à noi in u futuru.
Aduprà a sustituzione {dt} invece di un paràmetru di dumanda %s micca perchè sò un Pinocchiu male, ma perchè pandas ùn pò trattà pymssql e scivola l'ultimu params: Listancu s'ellu vole veramente tuple.
Nota ancu chì u sviluppatore pymssql decisu di ùn sustene micca più, è hè ora di spustà fora pyodbc.
Videmu ciò chì Airflow imbottite l'argumenti di e nostre funzioni cù:
Se ùn ci hè micca dati, allora ùn ci hè nunda di cuntinuà. Ma hè ancu stranu di cunsiderà u riempimentu successu. Ma questu ùn hè micca un sbagliu. A-ah-ah, chì fà ?! È quì hè ciò chì:
if df.empty:
raise AirflowSkipException('No rows to load')
AirflowSkipException dici à Airflow chì ùn ci sò micca errori, ma saltamu u compitu. L'interfaccia ùn hà micca un quadru verde o rossu, ma rosa.
Nantu à a vendita, creemu a piastra di destinazione manualmente. Quì aghju permessu una piccula macchina:
create_schema_query = f'CREATE SCHEMA IF NOT EXISTS {target_schema};'
create_table_query = f"""
CREATE TABLE IF NOT EXISTS {target_schema}.{target_table} (
id INT,
start_time TIMESTAMP,
end_time TIMESTAMP,
type INT,
data VARCHAR(32),
etl_source VARCHAR(200),
etl_id INT,
hash_id INT PRIMARY KEY
);"""
create_table = VerticaOperator(
task_id='create_target',
sql=[create_schema_query,
create_table_query],
vertica_conn_id=target_conn_id,
task_concurrency=1,
dag=dag)
Aghju aduprà VerticaOperator() Creu un schema di basa di dati è una tavula (se ùn esiste micca digià, sicuru). A cosa principal hè di organizà currettamente e dipendenze:
- Ebbè, - disse u surcicciu, - ùn hè micca, avà
Sò cunvinta chì sò l'animali più terribili in a furesta ?
Julia Donaldson, U Gruffalo
Pensu chì si i mo culleghi è aghju avutu una cumpetizione: quale hà da creà rapidamente è lanciarà un prucessu ETL da zero: elli cù u so SSIS è un mouse è mè cù Airflow ... È allora avemu ancu paragunà a facilità di mantenimentu ... Wow, pensu chì sarete d'accordu chì li batteraghju in tutti i fronti !
Sè un pocu più seriu, allora Apache Airflow - descrivendu prucessi in forma di codice di prugramma - hà fattu u mo travagliu assai più còmode è piacevule.
A so estensibilità illimitata, sia in termini di plug-ins sia di predisposizione à a scalabilità, vi dà l'uppurtunità di utilizà Airflow in quasi ogni zona: ancu in u ciclu sanu di cullizzioni, preparazione è trasfurmazioni di dati, ancu in lanciari di cohete (à Mars, di corsu).
Parte finale, riferimentu è infurmazione
U rake chì avemu cullatu per voi
start_date. Iè, questu hè digià un meme locale. Via l'argumentu principale di Doug start_date tutti passanu. In breve, si specificate in start_date data attuale, è schedule_interval - un ghjornu, allora DAG principiarà dumane micca prima.
start_date = datetime(2020, 7, 7, 0, 1, 2)
È senza più prublemi.
Ci hè un altru errore di runtime assuciatu cù questu: Task is missing the start_date parameter, chì a maiò spessu indica chì avete scurdatu di ligà à l'operatore dag.
Tuttu nantu à una macchina. Iè, è basi (Airflow stessu è u nostru revestimentu), è un servitore web, è un pianificatore, è i travagliadori. È ancu hà travagliatu. Ma cù u tempu, u nùmeru di cumpetenze per i servizii criscinu, è quandu PostgreSQL hà cuminciatu à risponde à l'indici in 20 s invece di 5 ms, l'avemu pigliatu è l'hà purtatu.
Local Executor. Iè, simu sempre à pusà nantu à questu, è avemu digià ghjuntu à a riva di l'abissu. LocalExecutor hè statu abbastanza per noi finu à avà, ma avà hè u tempu di espansione cù almenu un travagliadore, è avemu da travaglià dura per passà à CeleryExecutor. E in vista di u fattu chì pudete travaglià cun ellu nantu à una macchina, nunda ùn vi impedisce di utilizà Celery ancu in un servitore, chì "di sicuru, ùn entrerà mai in produzzione, onestamente!"
Non usu strumenti integrati:
viaghji per almacenà e credenziali di serviziu,
SLA Misses per risponde à i travaglii chì ùn anu micca travagliatu à tempu,
xcom per u scambiu di metadati (aghju dettu metadati!) trà i travaglii dag.
Abusu di mail. Ebbè, chì possu dì ? Alerts sò stati stallati per tutte e ripetizioni di i travaglii caduti. Avà u mo travagliu Gmail hà più di 90k email da Airflow, è u musu di u web mail rifiuta di coglie è sguassà più di 100 à u mumentu.
Per noi di travaglià ancu di più cù i nostri capi è micca cù e nostre mani, Airflow hà preparatu per noi questu:
REST API - hà sempre u statutu di Sperimentale, chì ùn impedisce micca di travaglià. Cù lu, vi ponu micca solu arrivare infurmazione circa dags è compiti, ma dinù firmà / principiatu un dag, creà un DAG Run o una piscina.
CLI - assai arnesi sò dispunibuli attraversu a linea di cummanda chì ùn sò micca solu inconvenienti per aduprà per WebUI, ma sò generalmente assenti. Per esempiu:
backfill necessariu per riavvia l'istanze di u travagliu.
Per esempiu, l'analisti sò ghjunti è dicenu: "E voi, camarade, avete assurdità in i dati da u 1 à u 13 di ghjennaghju! Riparate, riparate, riparate, riparate ! » È tù sì una stufa:
serviziu di basa: initdb, resetdb, upgradedb, checkdb.
run, chì vi permette di eseguisce un compitu d'istanza, è ancu puntuà in tutte e dipendenze. Inoltre, pudete eseguisce via LocalExecutor, ancu s'è vo avete un cluster Celery.
Face quasi a stessa cosa test, solu ancu in basi scrive nunda.
connections permette a creazione di massa di cunnessione da a cunchiglia.
API Python - un modu piuttostu hardcore di interazzione, chì hè destinatu à i plugins, è micca sguassate in questu cù mani chjuche. Ma à quale ci impedisce di andà /home/airflow/dags, corre ipython è cuminciate à scherzà? Pudete, per esempiu, esportà tutte e cunnessione cù u codice seguente:
from airflow import settings
from airflow.models import Connection
fields = 'conn_id conn_type host port schema login password extra'.split()
session = settings.Session()
for conn in session.query(Connection).order_by(Connection.conn_id):
d = {field: getattr(conn, field) for field in fields}
print(conn.conn_id, '=', d)
Cunnessu à a metadatabase Airflow. Ùn ricumandemu micca di scrive, ma ottene stati di compiti per diverse metriche specifiche pò esse assai più veloce è più faciule ch'è per qualsiasi di l'API.
Dicemu chì micca tutti i nostri compiti sò idempotenti, ma ponu qualchì volta falà, è questu hè normale. Ma uni pochi di blocchi sò digià suspetti, è saria necessariu di verificà.
Attenti à SQL!
WITH last_executions AS (
SELECT
task_id,
dag_id,
execution_date,
state,
row_number()
OVER (
PARTITION BY task_id, dag_id
ORDER BY execution_date DESC) AS rn
FROM public.task_instance
WHERE
execution_date > now() - INTERVAL '2' DAY
),
failed AS (
SELECT
task_id,
dag_id,
execution_date,
state,
CASE WHEN rn = row_number() OVER (
PARTITION BY task_id, dag_id
ORDER BY execution_date DESC)
THEN TRUE END AS last_fail_seq
FROM last_executions
WHERE
state IN ('failed', 'up_for_retry')
)
SELECT
task_id,
dag_id,
count(last_fail_seq) AS unsuccessful,
count(CASE WHEN last_fail_seq
AND state = 'failed' THEN 1 END) AS failed,
count(CASE WHEN last_fail_seq
AND state = 'up_for_retry' THEN 1 END) AS up_for_retry
FROM failed
GROUP BY
task_id,
dag_id
HAVING
count(last_fail_seq) > 0
referenze
E sicuru, i primi deci ligami da l'emissione di Google sò u cuntenutu di u cartulare Airflow da i mo marcati.
Documentazione Apache Airflow - di sicuru, avemu da principià cù l'uffiziu. documentazione, ma quale leghje l'istruzzioni?
DAG Scrittura Best Practices in Apache Airflow - circa l'idempotenza di i travaglii, caricate per ID invece di data, trasfurmazioni, struttura di u schedariu è altre cose interessanti.
U Zen di Python è Apache Airflow - Trasmissione implicita di DAG, cuntestu chì si mette in funzioni, di novu nantu à e dipendenze, è ancu di saltà i lanci di attività.