入门Airflow 编写第一个DAG

Posted 2022-01-06 mkdir700

前言

我们接触一个新的框架总会有许多新概念，这些概念虽然比较重要，但我想它的功能才是我们初步接触最想体验的，所以我更偏向于在使用的过程中去逐渐了解。

本文将从实际需求出发完成一个DAG的编写，并且我会写些BUG，以达到避坑的目的。

需求

现在我们有一个需求，每天定时请求下方接口，并把数据保存成文本文件。

https://www.bing.com/HPImageArchive.aspx?format=js&idx=1&n=10&mkt=en-US

分析

一共两个步骤：

1. 请求接口；
2. 存储响应内容；

我们可以分别定义两个函数，来完成这两个步骤。

请求接口

def request():
    import requests
    resp = requests.get("https://www.bing.com/HPImageArchive.aspx?format=js&idx=1&n=10&mkt=en-US")
    return resp

保存数据

def save(text: str):
    with open("/opt/airflow/results.txt", "a+", encoding="utf-8") as f:
        f.write(text)

DAG

在上一步，我们分别完成了两个函数，如果将它们组合起来就可以完成需求了。所以，现在需要一个家伙来“组合”它们。

DAG（Directed Acyclic Graph）即，有向无环图，关于它的含义，官方介绍比我清楚的多。

通俗点理解，DAG是一张地图，Airflow将根据这张地图，按照上面的路线抵达终点。

现在，我们就需要完成这张地图的路线绘制。

对于我们的需求，执行的路线就是，先下载再保存 ，所以路线图就是：

Operator

我们知道DAG是用来绘制路线图的，那么我们的任务怎么执行，谁来执行呢？

所以，需要一个家伙来将我们写的代码跑起来，这个家伙就是Operator。

列车有乘务，飞机有空姐，轮船有水手… Operator也是一样，根据不同的任务类型，可以选择不同的Operator。

例如：

• BashOperator - 执行Bash命令行
• PythonOperator - 调用任意Python函数
• EmailOperator - 发送邮件
• 更多Operator

我们的需求都是执行Python函数，所以我们可以只使用PythonOperator

不同Operator可以互相依赖，就好像海陆空协同作战。

编写DAG

了解完上面的两个基本概念，我们就可以编写DAG了。

from datetime import datetime

from airflow import DAG
from airflow.operators.python import PythonOperator

with DAG(
    dag_id='download_bing',
    schedule_interval='0 0 * * *', # 定时执行，Cron表达式
    start_date=datetime(2021, 1, 1), # 开始时间
    tags=['test'], # DAG的tag标签，用于分类
) as dag:
    def request():
        import requests
        resp = requests.get("https://www.bing.com/HPImageArchive.aspx?format=js&idx=1&n=10&mkt=en-US")
        return resp
    
    
    def save(text: str):
        with open("/opt/airflow/results.txt", "a+", encoding="utf-8") as f:
            f.write(text)
    
    # 使用PythonOperator执行Python函数
    request_task = PythonOperator(
        task_id="request_task",
        python_callable=request
    )
    
    save_task = PythonOperator(
        task_id="save_task",
        python_callable=save
    )

上方就是我们编写DAG，仔细看，request和save之间没有先后关系（依赖关系）。

Airflow实现了语法糖，使用>> 、 << 定义任务之间的依赖关系，则在本例中的依赖关系可以定义如下：

request_task >> save_task

完整DAG

from datetime import datetime

from airflow import DAG
from airflow.operators.python import PythonOperator

with DAG(
    dag_id='download_bing',
    schedule_interval='0 0 * * *',
    start_date=datetime(2021, 1, 1),
    tags=['test'],
) as dag:
    def request():
        import requests
        resp = requests.get("https://www.bing.com/HPImageArchive.aspx?format=js&idx=1&n=10&mkt=en-US")
        return resp
    
    
    def save(text: str):
        with open("/opt/airflow/results.txt", "a+", encoding="utf-8") as f:
            f.write(text)
    
    
    request_task = PythonOperator(
        task_id="request_task",
        python_callable=request
    )
    
    save_task = PythonOperator(
        task_id="save_task",
        python_callable=save
    )
    
    request_task >> save_task

激活DAG

“激活”很简单，我们只要放置到/dags目录下，等待Airflow自动读取即可。

在[入门Airflow] 使用Docker在本地快速搭建Airflow一文中，我们已映射了/dags /logs /plugins 这三个文件，所以我们将刚编写的DAG放置到/dags目录下，然后打开Web端，等待一会儿刷新即可。

如果DAG有错误，Web端则会包导入错误的异常：

可以输入框，输入test标签快速找到DAG

执行DAG

点击右侧的执行按钮

好吧，不出意外，你会看到下图的一片红色（doge🤣）

查看DAG执行日志

我理解你急于解决这个问题的心情，不妨来看看如何是哪里出了问题。

返回值类型错误

报错信息：

TypeError: Object of type Response is not JSON serializable

这个报错说Response类型不能被JSON序列化。

详细内容：

[2021-12-16, 21:24:37 ] python.py:152 INFO - Done. Returned value was: <Response [200]>
[2021-12-16, 21:24:37 ] xcom.py:334 ERROR - Could not serialize the XCom value into JSON. If you are using pickle instead of JSON for XCom, then you need to enable pickle support for XCom in your *** config.

不卖关子，request函数的返回值就是Response，Airflow推荐的返回值是能够JSON序列化的数据。

所以，我们可以返回Response.text即可。

DAG执行多次的问题

上面的报错解决了，但你可以先不用去改代码，我们进入DAG详情页面，选择Calendar选项

What Fuck！ 怎么全是红的？

这其实是因为我们配置DAG的原因

with DAG(
    dag_id='download_bing',
    schedule_interval='0 0 * * *',
    start_date=datetime(2021, 1, 1),
    tags=['test'],
) as dag:
      ...

我们指定了start_date，所以Airflow就从2021-01-01执行到当前时间。

如果想让过去的时间，归为当前一次执行，则应该指定参数catchup 为False，我理解的意思是不捕获错过的时间 。

with DAG(
    dag_id='download_bing',
    schedule_interval='0 0 * * *',
    start_date=datetime(2021, 1, 1),
    tags=['test'],
    catchup=False  # 新增
) as dag:
      ...

任务之间的值传递

还有一件事。有没有发现，request返回值，如何交给save呢？

详细的可以了解Xcoms的概念，这里我就简单描述下任务之间值传递的逻辑。

save并不是被动接收来自request的返回值，而是主动去询问。

所以save函数这样写：

def save(**kwargs):
    # 获取任务实例
    ti = kwargs['ti']
    # 拉取任务ID为request_task的返回值
    text = ti.xcom_pull(task_ids="request_task")
    with open("/opt/airflow/results.txt", "a+", encoding="utf-8") as f:
        f.write(text)

通过ti.xcom_pull，我们就可以拿到request_task的返回值。

对于值传递，可以在Xcoms查看详情，我也会在后续的文章中，详细解释Xcoms工作逻辑。

完整DAG代码：

from datetime import datetime

from airflow import DAG
from airflow.operators.python import PythonOperator

with DAG(
    dag_id='download_bing',
    schedule_interval='0 0 * * *',
    start_date=datetime(2021, 1, 1),
    tags=['test'],
    catchup=False,
) as dag:
    def request():
        import requests
        resp = requests.get("https://www.bing.com/HPImageArchive.aspx?format=js&idx=1&n=10&mkt=en-US")
        return resp.text


    def save(**kwargs):
        # 获取任务实例
        ti = kwargs['ti']
        # 拉取任务ID为request_task的返回值
        text = ti.xcom_pull(task_ids="request_task")
        with open("/opt/airflow/results.txt", "a+", encoding="utf-8") as f:
            f.write(text)
    
    
    request_task = PythonOperator(
        task_id="request_task",
        python_callable=request
    )
    
    save_task = PythonOperator(
        task_id="save_task",
        python_callable=save
    )
    
    request_task >> save_task

再次执行DAG

再次执行，可以看到变绿了🤡

执行下方命令，查看Worker容器：

docker exec -it airflow_airflow-worker_1  bash
ls -la

至此，文件已成功保存了。