在 Airflow EMR 操作员步骤中使用 Json 输入变量

Posted

技术标签:

【中文标题】在 Airflow EMR 操作员步骤中使用 Json 输入变量【英文标题】:Using Json Input Variables In Airflow EMR Operator Steps 【发布时间】:2019-10-04 20:12:14 【问题描述】:

我目前正在遵循此处给出的模板:https://github.com/apache/airflow/blob/master/airflow/contrib/example_dags/example_emr_job_flow_manual_steps.py 创建一个 DAG 以使用 spark 提交调用 emr 实例。设置 spark_test_steps 时,我需要包含从 POST Json 传入的变量以填充 spark 提交,如下所示:

SPARK_TEST_STEPS = [
    
        'Name': 'calculate_pi',
        'ActionOnFailure': 'CONTINUE',
        'HadoopJarStep': 
            'Jar': 'command-runner.jar',
            'Args': [
                '/usr/lib/spark/bin/run-example',
                'SparkPi',
                kwargs['dag_run'].conf['var_1']
                kwargs['dag_run'].conf['var_2']
                '10'
            ]
        
    
]

如何传递 POST Json 给出的变量,同时仍遵循 git 链接中给出的格式,如下所示?

from datetime import timedelta
import airflow
from airflow import DAG
from airflow.contrib.operators.emr_create_job_flow_operator import EmrCreateJobFlowOperator
from airflow.contrib.operators.emr_add_steps_operator import EmrAddStepsOperator
from airflow.contrib.sensors.emr_step_sensor import EmrStepSensor
from airflow.contrib.operators.emr_terminate_job_flow_operator import EmrTerminateJobFlowOperator

DEFAULT_ARGS = 
    'owner': 'Airflow',
    'depends_on_past': False,
    'start_date': airflow.utils.dates.days_ago(2),
    'email': ['airflow@example.com'],
    'email_on_failure': False,
    'email_on_retry': False


dag = DAG(
    'emr_job_flow_manual_steps_dag',
    default_args=DEFAULT_ARGS,
    dagrun_timeout=timedelta(hours=2),
    schedule_interval='0 3 * * *'
)

var_1 = ''
var_2 = ''
SPARK_TEST_STEPS = []

def define_param(**kwargs):
    global var_1
    global var_2
    global SPARK_TEST_STEPS

    var_1 = str(kwargs['dag_run'].conf['var_1'])
    var_2 = str(kwargs['dag_run'].conf['var_2'])

    SPARK_TEST_STEPS = [
        
            'Name': 'calculate_pi',
            'ActionOnFailure': 'CONTINUE',
            'HadoopJarStep': 
                'Jar': 'command-runner.jar',
                'Args': [
                    '/usr/lib/spark/bin/run-example',
                    'SparkPi',
                    kwargs['dag_run'].conf['var_1']
                    kwargs['dag_run'].conf['var_2']
                    '10'
                ]
            
        
    ]

    return SPARK_TEST_STEPS

DEFINE_PARAMETERS = PythonOperator(
    task_id='DEFINE_PARAMETERS',
    python_callable=define_param,
    provide_context=True,
    dag=dag)

cluster_creator = EmrCreateJobFlowOperator(
    task_id='create_job_flow',
    job_flow_overrides=JOB_FLOW_OVERRIDES,
    aws_conn_id='aws_default',
    emr_conn_id='emr_default',
    dag=dag
)

step_adder = EmrAddStepsOperator(
    task_id='add_steps',
    job_flow_id=" task_instance.xcom_pull('create_job_flow', key='return_value') ",
    aws_conn_id='aws_default',
    steps=' ti.xcom_pull(task_ids="DEFINE_PARAMETERS") ',
    dag=dag
)

step_checker = EmrStepSensor(
    task_id='watch_step',
    job_flow_id=" task_instance.xcom_pull('create_job_flow', key='return_value') ",
    step_id=" task_instance.xcom_pull('add_steps', key='return_value')[0] ",
    aws_conn_id='aws_default',
    dag=dag
)

cluster_remover = EmrTerminateJobFlowOperator(
    task_id='remove_cluster',
    job_flow_id=" task_instance.xcom_pull('create_job_flow', key='return_value') ",
    aws_conn_id='aws_default',
    dag=dag
)

cluster_creator.set_downstream(step_adder)
step_adder.set_downstream(step_checker)
step_checker.set_downstream(cluster_remover)

我不能使用 Variable.get 和 Variable.set,因为由于气流全局变量的不断变化,这将不允许同时对不同变量类型进行多个 dag 调用。我曾尝试使用 xcom 调用 SPARK_TEST_STEPS,但 xcom 的返回类型是字符串,并且 EmrAddStepsOperator 步骤需要一个列表。

【问题讨论】:

您如何使用xcoms 并解决..return type of xcom is string and EmrAddStepsOperator steps requires a list.. 的限制但使用json.loads(value_returned_by_xcom)` 我已经尝试使用 json.loads 但我仍然遇到同样的错误。 【参考方案1】:

我通过创建一个在执行之前解析 json 的自定义运算符解决了类似的问题。问题的原因是当你通过steps=' ti.xcom_pull(task_ids="DEFINE_PARAMETERS") ',。您实际上是在传递一个带有模板引擎插值的字符串,它没有被反序列化。

from airflow.contrib.hooks.emr_hook import EmrHook
from airflow.exceptions import AirflowException
from airflow.models import BaseOperator
from airflow.utils.decorators import apply_defaults

from airflow.contrib.operators.emr_add_steps_operator import EmrAddStepsOperator
import json

class DynamicEmrStepsOperator(EmrAddStepsOperator):
    template_fields = ['job_flow_id', 'steps']
    template_ext = ()
    ui_color = '#f9c915'

    @apply_defaults
    def __init__(
            self,
            job_flow_id=None,
            steps="[]",
            *args, **kwargs):
        super().__init__(
                job_flow_id = job_flow_id,
                steps = steps,
                *args, **kwargs)

    def execute(self, context):
        self.steps = json.loads(self.steps)

        return super().execute(context)

【讨论】:

以上是关于在 Airflow EMR 操作员步骤中使用 Json 输入变量的主要内容,如果未能解决你的问题,请参考以下文章

从 Airflow(使用气流 Livy 运算符)向 Livy(在 EMR 中)提交 Spark 作业

airflow集成EMR使用

AWS EMR Airflow:Postgresql 连接器

Airflow dag 中的 postgres_operator 问题

我在 AWS 中有一个现有的 EMR 集群。我想从气流运行 dag 到现有的 aws 集群

无法在正在运行的 EMR 上执行步骤