動的タスクマッピング

Airflow によるデータパイプラインの構築

Volker Janz

Senior Developer Advocate at Astronomer

ハードコードされたタスクの問題

@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")

動的タスクマッピングの例

.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)

実行時のスケール

UIでのマップされたタスク

マップされたインスタンスは、単一タスク配下にインデックス付きインスタンスとして表示されます
各インスタンスをクリックすると個別のログとステータスを確認できます
数百のインスタンスがあってもDAGは読みやすいまま保たれます

UIでのマップされたタスク

.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)

直積問題

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)

リストのzip

.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() は位置で項目を1対1に対応付けます
expand_kwargs は各ペアをキーワード引数として展開します

使い分けの指針

パターン	用途
`expand()`	単一リストへのマッピング
`partial()`	インスタンス間で共通パラメータを固定
`zip()`	複数リストを位置でペアリング

スケーラブルなDAGの構築に役立ちます
データが変わると、タスク数が実行時に自動で調整されます

練習しましょう！

Airflow によるデータパイプラインの構築