Dynamické mapování úloh

Tvorba datových pipeline s Airflow

Volker Janz

Senior Developer Advocate at Astronomer

Problém s napevno zapsanými úlohami

@task
def process_file_1():
    transform("/data/file_1.csv")
@task
def process_file_2():
    transform("/data/file_2.csv")
@task
def process_file_3():
    transform("/data/file_3.csv")

Příklad dynamického mapování úloh

.expand()

@task
def fetch_files():
    return ["/data/file_1.csv", "/data/file_2.csv", "/data/file_3.csv"]

@task(max_active_tis_per_dagrun=2)  # control max parallelism
def process_file(path: str):
    print(f"processing file: {path}")


files = fetch_files()
process_file.expand(path=files)

Škálování za běhu

Mapované úlohy v UI

Mapované instance se zobrazují jako indexované instance pod jedinou úlohou
Kliknutím do každé z nich zobrazíš individuální logy a stav
DAG zůstane přehledný i při stovkách instancí

Mapované úlohy v UI

.partial()

@task
def process_file(path: str, output_dir: str):
    transform(path, output_dir)


files = get_files()
process_file.partial(output_dir="/out").expand(path=files)

Problém s kartézským součinem

files = get_files()           # ["/data/a.csv", "/data/b.csv", "/data/c.csv"]
destinations = get_targets()  # ["s3://out/a", "s3://out/b", "s3://out/c"]


# Cross product: 3 x 3 = 9 instances (not what we want!)
process.expand(path=files, dest=destinations)

Zip seznamů

.zip()

files = get_files()           # ["/data/a.csv", "/data/b.csv", "/data/c.csv"]
destinations = get_targets()  # ["s3://out/a", "s3://out/b", "s3://out/c"]


# Paired: 3 instances (a->a, b->b, c->c)
process.expand_kwargs(files.zip(destinations))

zip() páruje položky jedna k jedné podle pozice
expand_kwargs rozbalí každý pár na pojmenované argumenty

Kdy použít co

Vzor	Použití
`expand()`	Mapování přes jeden seznam
`partial()`	Fixace sdílených parametrů napříč instancemi
`zip()`	Párování více seznamů podle pozice

Pomáhají budovat škálovatelné DAGy
Při změně dat se počet úloh upraví automaticky za běhu

Pojďme cvičit!

Tvorba datových pipeline s Airflow