『Day15』如何使用 DAG , Task

2023 iThome 鐵人賽

DAY 15

AI & Data

Data pipeline 建起來！用 Airflow 開發你的 Data pipeline系列第 15 篇

15th鐵人賽 python airflow apache airflow data engineer

無聊工程師 bored_engineer

2023-09-30 02:14:06

765 瀏覽

分享至

昨天晚成第一個 DAG 之後，是不是覺得有些成就感呢？不過相信也對其中許多概念仍然感覺霧煞煞吧，在今天我們會來說明一下 Airflow 的 DAG 以及 Task 的相關概念。

DAG 組成

如同我們在 Airflow 介紹中所說的，Airflow 是以 DAG 的概念建立 Data pipeline。還記得 DAG -- 有向無環圖的組成嗎？有向無環圖是以節點及有方向的邊組成，並且任何路徑無法讓節點重新回到自己本身的節點。那麼我們思考一下昨天開發的 DAG ，將開發 DAG 使用到幾個元件對應到定義，聰明的你應該就可以抓到在 Airflow DAG 的運作當中誰是節點的角色，誰是邊的角色了吧？沒錯！在 Airflow DAG 中，Task 成為節點的基本單位，而 Task 之間彼此的關聯則是 DAG 的邊。DAG 透過 Task 以及關聯關係就可以構成一個 Data pipline 的 DAG。

DAG 設定

在昨天的 DAG 當中，我們簡單的宣告了 DAG 並使用。在當中我們在使用 DAG 的時候，傳遞了一些參數，這些參數定義了 DAG 的執行方式。

with DAG(
    "first_dag",
    default_args={
        "retries": 1,
        "retry_delay": timedelta(minutes=5),
    },
    description="my first DAG",
    schedule=timedelta(days=1),
    start_date=datetime(2021, 1, 1),
    catchup=False,
) as dag:

在 DAG 的第一個參數，我們傳入 "first_dag"，它的意義為 DAG 的名稱，此名稱同時也是在 web 介面上顯示的 DAG 的名稱。
default_arg 定義 DAG 中的 operator 會使用到的共同參數。
description 則是DAG 的簡介，在 DAG 狀態頁面也會展示出來。
schedule 進行執行時間的設定
start_date 從何時開始執行 DAG
catchup 定義 DAG 是否執行之前遺漏的 Task

在 DAG 當中有更多細部的配置可以進行設定，可以參考 Airflow 官網給的資訊。
default_arg 相關參數可以參考：
https://airflow.apache.org/docs/apache-airflow/1.10.10/_api/airflow/models/index.html#airflow.models.BaseOperator

Task 介紹

Task 可以說是 DAG 在執行的最基本單位。Task 被定義在 DAG 的程式碼當中，並且 Task 與 Task 互相的關係，也都被定義於程式碼當中，Airflow 會解析相關設定之後運行。

Task 執行結果

在 Task 的執行結果中不會只有成功與失敗，Airflow 定義了一些不同的狀態讓開發者可以偵測其執行狀態。針對每個狀態也會有不同的顏色進行呈現，對開發人員以及維運人員是十分友善的功能。昨天的 Task 執行結果(下圖)皆為 success，所以都標示為綠色，圖片中間有一行彩色的方框，我們可以透過其顏色了解各個顏色的定義。

各個 Task 階段的意義：
queued: task 已分配給執行程序，正在等待執行
running: task 正在執行中
success：task 在執行時未出現錯誤並成功完成
shutdown：外部要求當 task 正在運行時關閉
restarting：外部要求在 task 執行時重新啟動
failed：task 在執行過程中出現錯誤並運行失敗
skipped: task 任務被跳過。

透過解析 Task 狀態，開發人員以及維運人員可以了解整個 DAG 目前的狀態。

Task，Operator 傻傻分不清楚

在昨天的 DAG 中，我們有宣告了三個 Task，而每個 Task 也都是使用 Operator。

    extract_task = PythonOperator(
    task_id="extract", python_callable=extract, dag=dag,
    )

    transform_task = PythonOperator(
    task_id="transform", python_callable=transform, dag=dag,
    )
    
    load_task = PythonOperator(
    task_id="load", python_callable=load, dag=dag,
    )

那到底 Task 以及 Operator 有什麼差別呢？
在DAG 的環境當中 Operator 主要是為了執行工作而存在，我們可以看成 DAG 就是在管理一個個 Operator 的動作，以及相關順序等等。然而在 Operator本身也有些狀態需要被管理，好比說關聯關係，抑或是如果 Operator 失敗了需要重新處理等狀況，都需要有一個另外一個維度的設計來進行 Operator 的管理，而這也就是 Task 存在的目的。透過 Task 有效的管理 Operator 執行的狀態。

今天主要在說明 DAG 以及 Task，明天接著繼續說明 Task 的關聯關係～