Data Orchestration

資料處理就像是一個自來水處理系統，你有上游水的來源，有要輸送到終點的家家戶戶、工廠，中間有許多大大小小的資料轉換、要整合哪些不同資料源、要決定怎麼計算，以及存到哪個地方，ETL 與 ELT 的選擇是決定轉換和載入的大方向，接著就要進到更細節的思考問題：決定水要怎麼流？

Apache Airflow

Apache Airflow 是一個幫助你達成 data orchestration 的data pipeline 管理工具，透過 Airflow，資料團隊就能針對整個資料工作流做排程、監控、管理，對於管理有複雜相依性的資料處理是個強大的助手，能讓團隊更清晰、更高效率的從數據得到有價值的洞察。

這邊我會簡單帶過幾個我覺得比較重要的概念，讓沒接觸過的讀者還是能初步了解，網路上有很多針對 Airflow 使用很詳細的教學。

Airflow 的重要概念

Airflow 能透過 DAG file 很容易的設置好你要排程跑的資料處理腳本，並且在 Web interface 做到視覺化資料流的管理。

DAG

Directed Acyclic Graph（有向無環圖），就是有順序性、沒有loop 的工作相依關係，DAG 就是用來管理一個 dataflow 裡面多個資料處理小任務的依賴關係，如上圖所示，在實務上的資料流有很多先後處理的順序性，就能透過 DAG definition file 做到很簡潔的管理。

各種幫助你的元件

Scheduler 幫忙將要執行的項目送到 Executor；Executor 負責工作任務的啟動調度；Worker 負責執行任務；Operators 能幫助你呼叫各種程式語言的資料處理腳本，例如 PythonOperator 可以讓你從airflow 呼叫 python的資料處理腳本，更詳細架構可以參考官方文件的說明，這裡就不贅述。

經驗分享: 我們的做法

在一開始導入 ELT 流程，我們的技術選型是：

1. Columnar Database-BigQuery：在 BigQuery 中切三層(Data Lake, Data Warehouse, Data Mark)，分別存放不同處理程度的資料
2. 排程管理工具-Airflow: 用來呼叫 Python & R 的腳本

實作的方式是透過 Airflow 來幫助我做資料處理的複雜相異性，airflow 會去呼叫 python & R的腳本，這些腳本會 call GCP API，到BigQuery中執行SQL做資料表的計算轉換。透過這個很簡易 serverless 的ELT Pipeline 先做成效的驗證。

經驗分享: 資料流跑壞掉怎麼辦？

實務上很常見的一個問題是資料沒有正常跑，上游壞了下游壞光光，要重跑好困擾，可能會把好的資料又蓋掉？我想分享兩個重要的概念： idempotency 以及 Backfill

Backfill

backfill 是 Airflow 裡面提供的機制，在任務執行失敗以後，能自動重新執行任務，也有提供手動指令讓你重跑。

在一開始設計資料流的時候，經驗還不太夠，最常發生是前一天資料有某些原因沒有跑，或是有順利執行，但是某個資料的產生規則改變了，導致我的計算有一段時間要重跑，在你的資料腳本設計不好的時候，重跑或是需要先刪除錯誤資料，就會是一個很大的困擾。

idempotency

中文是『等冪性』，代表的含義是當你執行一個改變的行為時，執行多次都會得到相同的結果。

簡單範例：

這個概念在每天日常資料流設計，以及在 backfiil 時很重要，先用程式舉個簡單的例子：

function addition(num1, num2){
  return num1+num2;
}

addition(3, 4); //output is 7


let array = [3,5,7,11,13];
function removeLastItem(process) {
  process.pop();
  return process;
}
removeLastItem(array); // array = [3,5,7,11]
removeLastItem(array); // array = [3,5,7]

以上述的例子來說 addition 屬於 idempotence，因為每一次的input 只要一樣，輸出就會一樣；而 removeLastItem 就不符合 idempotence的規則，每一次把array 丟進去都會得到不同的結果。

資料流的案例：

這個概念用在資料流的設計是確保你的資料從源頭、計算到結果更容易被管理，在產品分析經常需要計算每日活躍用戶人數(DAU)，在一開始建立資料轉換時，犯過一個錯，就是日期抓取是動態抓取當前日期，下圖有兩個計算案例：

1. 計算DAU時，提供指定日期，抓取指定日期的登入記錄，再計算不重複的user_id 數量
2. 計算DAU時，抓取當前日期，抓取指定日期的登入記錄，再計算不重複的user_id 數量

第一種算法符合 idempotence ，第二種不符合，當你需要跑backfill 的時候，第二種算法就會導致你要跑過去的資料，卻都抓到當下日期做為參數，導致資料被錯誤計算，在資料品質的管理和修正就會非常麻煩。

小結

Airflow 是一個做data orchestration 的data pipeline 有效管理工具，如果想更深入使用，可以參考官方文件，網路上也有更深入的教學，所以今天的文章也額外分享過去在資料轉換失敗，要重跑資料時的慘痛經驗，與你的資料表設計、資料流進來要怎麼放有很重要的關聯。

聊到資料表的設計，明天我們就來聊聊 OLAP 的資料表要怎麼設計。