Mapare dinamică a sarcinilor

Construirea pipeline-urilor de date cu Airflow

Volker Janz

Senior Developer Advocate at Astronomer

Problema sarcinilor hardcodate

@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")

Exemplu de mapare dinamică a sarcinilor

.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)

Scalare la runtime

Sarcini mapate în UI

Instanțele mapate apar ca instanțe indexate sub o singură sarcină
Accesează fiecare instanță pentru loguri și stare individuale
DAG-ul rămâne lizibil chiar și cu sute de instanțe

Sarcini mapate în 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)

Problema produsului cartezian

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)

Împerechere liste

.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() asociază elementele unu-la-unu după poziție
expand_kwargs descompune fiecare pereche în argumente cheie

Când să folosești ce

Metodă	Utilizare
`expand()`	Mapare peste o singură listă
`partial()`	Fixează parametri comuni pentru toate instanțele
`zip()`	Împerechează mai multe liste după poziție

Ajută la construirea unor DAG-uri scalabile
Când datele se schimbă, numărul de sarcini se ajustează automat la runtime

Hai să exersăm!

Construirea pipeline-urilor de date cu Airflow