Динамическое сопоставление задач

Построение пайплайнов данных с Airflow

Volker Janz

Senior Developer Advocate at Astronomer

Проблема жёстко заданных задач

@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")

Пример динамического сопоставления задач

.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)

Масштабирование во время выполнения

Сопоставленные задачи в интерфейсе

Сопоставленные экземпляры отображаются как пронумерованные экземпляры под одной задачей
Нажмите на каждый, чтобы просмотреть логи и статус
DAG остаётся читаемым даже при сотнях экземпляров

Сопоставленные задачи в интерфейсе

.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)

Проблема декартова произведения

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)

Объединение списков

.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() сопоставляет элементы один к одному по позиции
expand_kwargs распаковывает каждую пару в именованные аргументы

Что и когда использовать

Шаблон	Сценарий использования
`expand()`	Итерация по одному списку
`partial()`	Фиксация общих параметров для всех экземпляров
`zip()`	Попарное объединение нескольких списков

Помогают строить масштабируемые DAG
При изменении данных количество задач подстраивается автоматически во время выполнения

Давайте потренируемся!

Построение пайплайнов данных с Airflow