Mapeo dinámico de tareas

Creación de canalizaciones de datos con Airflow

Volker Janz

Senior Developer Advocate at Astronomer

El problema de las tareas con valores fijos

@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")

Ejemplo de Dynamic Task Mapping

.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)  # controlar la paralelización máxima
def process_file(path: str):
    print(f"processing file: {path}")


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

Escala en tiempo de ejecución

Tareas mapeadas en la interfaz

Las instancias mapeadas aparecen como instancias indexadas bajo una sola tarea
Entra en cada una para ver logs y estado individuales
El DAG sigue siendo legible incluso con cientos de instancias

Tareas mapeadas en la interfaz

.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)

El problema del producto cartesiano

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


# Producto cartesiano: 3 x 3 = 9 instancias (¡no es lo que queremos!)
process.expand(path=files, dest=destinations)

Unir listas con 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"]


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

zip() empareja elementos uno a uno por posición
expand_kwargs descomprime cada par en argumentos con nombre

Cuándo usar cada uno

Pattern	Use case
`expand()`	Mapear sobre una lista única
`partial()`	Fijar parámetros compartidos entre instancias
`zip()`	Emparejar varias listas por posición

Ayudan a construir DAGs escalables
Cuando cambian los datos, el número de tareas se ajusta automáticamente en tiempo de ejecución

¡Vamos a practicar!

Creación de canalizaciones de datos con Airflow