5 minut czytania

Kompletny przewodnik po Apache Airflow

BI i analiza danych

Przewodnik

Python

Czym jest Apache Airflow?

Apache Airflow to narzędzie do wizualnego tworzenia, organizowania i monitorowania przepływów pracy oraz uruchamiania łańcuchów zadań (tzw. pipeline'ów), aby przetwarzać, przechowywać i wizualizować dane. Platforma jest własnością Apache Software Foundation, która wciąż jest w fazie inkubacji, a na GitHubie ma ponad 1000 współtwórców i 13 000 gwiazdek.

Wprowadzenie do Apache Airflow

Apache Airflow to solidna, open-source'owa usługa napisana przez Python, używana przez inżynierów danych do orkiestracji przepływów pracy i potoków poprzez podświetlanie zależności potoków, kodu, dzienników, zadań wyzwalających, postępu i statusu sukcesu w celu rozwiązywania problemów w razie potrzeby.

Jeśli zadanie zostanie ukończone lub zakończy się niepowodzeniem, to elastyczne, skalowalne i kompatybilne z zewnętrznymi danymi rozwiązanie jest w stanie wysyłać alerty i wiadomości za pośrednictwem Slacka lub poczty e-mail. Apache nie nakłada ograniczeń na wygląd przepływu pracy i posiada przyjazny dla użytkownika interfejs do śledzenia i ponownego uruchamiania zadań.

Jak działa Apache Airflow?

Pipeliny są opisane przy użyciu podstawowych elementów Apache:

DAG

Podstawowym elementem technologii są skierowane grafy acykliczne (DAG). Ten model to graf, który nie zawiera cykli, ale posiada równoległe ścieżki wychodzące z tego samego zadania. Prościej mówiąc, DAG to jednostka łącząca zadania w zależności od pipeline'u danych, gdzie zależność między aplikacjami jest wyraźnie widoczna.

Zadanie E jest ostatnim zadaniem w DAG, które zależy od pomyślnego wykonania poprzednich zadań po lewej stronie.

Operator

Operator to oddzielny element w łańcuchu zadań (pipeline). Za pomocą tych elementów programiści określają, jakie zadanie ma zostać wykonane. Apache Airflow zawiera listę predefiniowanych operatorów, które obejmują:

PythonOperator, który wykonuje kod Python
BashOperator, który uruchamia skrypty/komendy bash
PostgresOperator, który uruchamia zapytania SQL w PostgreSQL
RedshiftToS3Transfer, który wykonuje polecenia UNLOAD z Redshift do S3
EmailOperator, który wysyła e-maile

Zadania i operatorzy są czasami używane zamiennie, ale zakładamy, że są to różne koncepcje, w których operatorzy służą jako wzorce do generowania zadań.

Czujnik

Sensor to wariant operatora, który znajduje zastosowanie w pipeline'ach napędzanych zdarzeniami. Przykłady:

PythonSensor czeka, aż funkcja zwróci wartość True
S3Sensor sprawdza dostępność obiektu według klucza w zasobniku S3

Hak

Hooki to usługi stron trzecich, które współdziałają z zewnętrznymi platformami (bazami danych i zasobami API). Hooki nie powinny posiadać wrażliwych informacji, aby zapobiec wyciekowi danych.

Scheduler

Monitoruje wszystkie DAG, obsługuje przepływy pracy i przesyła zadania do Executora.

Web server

Serwer WWW pełni rolę interfejsu użytkownika Apache Airflow. Pomaga śledzić status i postęp zadań oraz rejestrować dane ze zdalnych depozytariuszy.

Baza danych

Przechowywane są tam wszystkie istotne informacje (zadania, okresy harmonogramu, statystyki z każdego sprintu itp.)

Executor

Executor uruchamia zadania i przesyła je do pracowników.

Na koniec, zobaczmy, jak Apache działa na prostym przykładzie. Po pierwsze, Apache przegląda wszystkie DAG-i w tle. Pilne zadania, które muszą zostać wykonane, otrzymują oznaczenie SCHEDULED w bazie danych. Scheduler pobiera zadania z bazy danych i rozdziela je do Executor'ów. Następnie zadania otrzymują status QUEUED, a gdy pracownicy zaczynają je wykonywać, przypisywany jest im status RUNNING. Po zakończeniu zadania pracownik wskazuje, czy zostało zakończone sukcesem czy porażką, a Scheduler aktualizuje status w bazie danych.

Funkcje Apache Airflow

Poniżej przedstawiamy najbardziej ekscytujące funkcje Apache Airflow.

Łatwa obsługa

Podstawowa znajomość Python jest jedynym wymogiem do tworzenia rozwiązań na tej platformie.

Otwarte źródło

Usługa jest bezpłatna i ma wielu aktywnych użytkowników na całym świecie.

Łatwa integracja

Można bezproblemowo pracować z komplementarnymi produktami Microsoft Azure, Google Cloud Platform, Amazon AWS itp.

Przyjazny interfejs użytkownika

Status zaplanowanych i trwających zadań można śledzić w czasie rzeczywistym.

Zasady przepływu powietrza Apache

Poznaj podstawowe zasady Apache Airflow poniżej.

Dynamiczność

Rurociągi przepływu powietrza są skonfigurowane jako kod Python, aby generowanie pipeline'ów było dynamiczne.

Rozszerzalność

Użytkownicy mogą tworzyć zdefiniowanych operatorów, executor'ów i biblioteki, dostosowane do specyficznego środowiska biznesowego.

Skalowalność

Usługa nie zawiesza się, ponieważ ma modularną architekturę i może być skalowana w nieskończoność.

Jakie są zalety Apache Airflow?

Obejmują one automatyzację, społeczność, wizualizację procesów biznesowych, a także odpowiednie monitorowanie i kontrolę. Pokrótce omówimy je wszystkie.

Społeczność

Jest ponad 1000 współtwórców open-source'owej usługi. Regularnie uczestniczą w jej rozwoju.

Wizualizacja procesów biznesowych

Apache to idealne narzędzie do generowania „większego obrazu” systemu zarządzania przepływem pracy.

Automatyzacja

Automatyzacja usprawnia pracę inżynierów danych i zwiększa ogólną wydajność.

Monitorowanie i kontrola

Wbudowany system alertów i powiadomień umożliwia ustalanie obowiązków i wdrażanie poprawek.

Przypadki użycia Apache Airflow

Praktyczną skuteczność usługi można wykazać w następujących przypadkach użycia:

Zadania wsadowe;
Planowanie i orkiestracja przepływów pracy potoków danych z Airflow dla określonego przedziału czasu;
Potoki ETL/ELT, które działają na danych wsadowych;
Potoki, które odbierają dane ze źródeł zewnętrznych lub przeprowadzają transformację danych;
Apache Airflow dla modeli uczenia maszynowego i wyzwalania zadań w SageMaker;
Generowanie raportów;
Kopie zapasowe z zadań DevOps i zapisywanie wyników w klastrze Hadoop po wykonaniu zadania Spark.

Apache Airflow jako usługa

Wiele platform inżynierii danych opartych na Airflow wykorzystuje podstawową logikę i zalety usługi oraz dodaje nowe funkcje w celu rozwiązania konkretnych wyzwań. Można je nazwać alternatywami Apache Airflow, ponieważ mają dość podobną funkcjonalność:

Astro - platforma orkiestracji danych do tworzenia, uruchamiania i obserwowania potoków.
Google Cloud Composer - platforma orkiestracji danych do tworzenia, planowania i kontrolowania potoków.
Qubole - otwarta platforma data lake do uczenia maszynowego, streamingu i analityki ad-hoc.

Amazon Managed Workflows for Apache Airflow - zarządzana usługa orkiestracji przepływu pracy Airflow do konfigurowania i obsługi potoków danych w Amazon Web Services (AWS).

Podsumowanie

Apache to potężne narzędzie do inżynierii danych kompatybilne z usługami i platformami innych firm. Migracja do Airflow jest płynna i bezproblemowa niezależnie od wielkości i specyfikacji firmy.

Innowise zapewnia dogłębną ekspertyzę Apache o dowolnej złożoności i zakresie. Apache Airflow to doskonały wybór, aby zaprowadzić porządek, jeśli klient cierpi z powodu słabej komunikacji między działami i szuka większej przejrzystości w przepływie pracy.

Nasi wykwalifikowani programiści wdrożą wysoce dostosowany system modularny, który poprawia operacje z dużymi danymi i sprawia, że procesy Airflow są w pełni zarządzane i dostosowane do specyfiki Twojego środowiska biznesowego.

Dziękujemy za ocenę!

Dziękuję za komentarz!

Dmitry Nazarevich CTO

Data: 12 sierpnia 2022 r.

Spis treści

Oceń ten artykuł:

★★★★★ 4/5

4.8/5 (45 opinii)

Powiązane treści

Blog

Maksymalizacja opieki nad pacjentem: Korzyści z analizy danych w opiece zdrowotnej

Blog

Kompletny przewodnik po najlepszych platformach eCommerce CMS w 2024 roku

Blog

Trendy w rozwoju oprogramowania dla małych firm 2024

Kodowanie przyszłości: 14 trendów w rozwoju oprogramowania, których nie możesz zignorować w 2024 roku

Blog

Rola analityki danych w rewolucjonizowaniu branży ubezpieczeniowej

Blog

Tokenizacja nieruchomości: przyszłość aktywów nieruchomościowych

Blog

Inteligentne rolnictwo: przyszłość rolnictwa

Blog

Wszystko, co powinieneś wiedzieć o SDLC: fazy, korzyści i nie tylko

Blog

Jak stworzyć wydajny zespół programistów?

Blog

Podejścia do lepszej migracji do chmury

Blog

Inteligencja decyzyjna: nowa era sztucznej inteligencji

Blog

Sztuczna inteligencja w opiece zdrowotnej

Blog

Nauka o danych a analityka danych: Zrozumienie różnic

Wyzwanie dla nas?

Nazwa

Firma

E-mail

Telefon

Wiadomość Prosimy o podanie szczegółów projektu, czasu trwania, stosu technologicznego, potrzebnych specjalistów IT i innych istotnych informacji.

Nagraj wiadomość głosową na temat
projekt, który pomoże nam lepiej go zrozumieć

W razie potrzeby dołącz dodatkowe dokumenty

Prześlij plik

Można załączyć maksymalnie 1 plik o łącznej wielkości 2 MB. Ważne pliki: pdf, jpg, jpeg, png

Informujemy, że po kliknięciu przycisku Wyślij Innowise będzie przetwarzać Twoje dane osobowe zgodnie z naszą Polityką prywatności w celu dostarczenia Ci odpowiednich informacji.

Co będzie dalej?

Po otrzymaniu i przetworzeniu Twojego zgłoszenia skontaktujemy się z Tobą wkrótce, aby wyszczególnić potrzeby projektu i podpisać umowę o zachowaniu poufności, aby zapewnić poufność informacji.

Po przeanalizowaniu wymagań, nasi analitycy i programiści opracowują projekt z zakresem prac, wielkością zespołu, czasem i kosztami szacunki.

Umówimy się z Tobą na spotkanie, aby omówić ofertę i dojść do porozumienia porozumienia.

Podpisujemy umowę i rozpoczynamy pracę nad projektem tak szybko, jak to możliwe.