Frameworky pro plánování workflow

Introduction to Data Engineering

Vincent Vankrunkelsven

Data Engineer, DataCamp

Příklad pipeline

Příklad jednoduchého pipeline extrahujícího data z csv pomocí Spark

Jak plánovat?

Manuálně
Nástroj cron
Co se závislostmi?

DAGy

Acyklický orientovaný graf

Množina uzlů
Orientované hrany
Žádné cykly

Příklad DAG

Nástroje pro tento úkol

cron v Linuxu
Prefect a Dagster
Apache Airflow

Logo Apache Airflow

Vytvořeno v Airbnb
DAGy
Python

Airflow: příklad DAG

Příklad DAG v Airflow

Airflow: příklad v kódu

@dag(dag_id="example_dag",
     start_date=datetime(2024, 1, 1),
     schedule="0 * * * *")
def example_dag():

    @task
    def start_cluster(): ...
    @task
    def ingest_customer_data(): ...
    @task
    def ingest_product_data(): ...
    @task
    def enrich_customer_data(): ...

Airflow: příklad v kódu

@dag(dag_id="example_dag", ...)
def example_dag():
    ...
    # Set up dependency flow
    cluster = start_cluster()
    customers = ingest_customer_data()
    products = ingest_product_data()
    cluster >> [customers, products]
    [customers, products] >> enrich_customer_data()
# Run the DAG
example_dag()

Pojďme cvičit!

Introduction to Data Engineering