Dynamisk taskmappning

Bygg datapipelines med Airflow

Volker Janz

Senior Developer Advocate at Astronomer

Problemet med hårdkodade tasks

@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")

Exempel på dynamisk taskmappning

.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)

Skalas vid körning

Mappade tasks i gränssnittet

Mappade instanser visas som indexerade instanser under en enda task
Klicka på var och en för individuella loggar och status
DAG:en förblir läsbar även med hundratals instanser

Mappade tasks i gränssnittet

.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)

Korsproduktproblemet

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)

Zippa listor

.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() matchar element ett-till-ett efter position
expand_kwargs packar upp varje par som nyckelordargument

När ska du använda vad

Mönster	Användningsfall
`expand()`	Iterera över en enskild lista
`partial()`	Fixa delade parametrar för alla instanser
`zip()`	Para ihop flera listor efter position

Hjälper dig att bygga skalbara DAG:ar
När data förändras justeras antalet tasks automatiskt vid körning

Nu kör vi en övning!

Bygg datapipelines med Airflow