运行只有最新的 Airflow DAG

Question

假设我想运行一个带有 Airflow 的非常简单的 ETL DAG：它检查 DB2 中的最后插入时间，如果有的话，它会将较新的行从 DB1 加载到 DB2。

有一些可以理解的要求：

每小时排一次，前几运行秒会持续1个多小时
- 例如。第一个运行要处理一个月的数据，持续72小时，
- 所以第二个运行应该处理最后 72 小时，它持续 7.2 小时，
- 第三个处理 7.2 小时，并在一个小时内完成，
- 从那时起，每小时运行秒。
当 DAG 正在运行ning 时，不要开始下一个，而是跳过它。
如果时间超过了触发事件，而 DAG 没有启动，则不要随后启动它。
还有其他的DAG，DAG应该独立执行。

我发现这些参数和运算符有点混乱，它们之间有什么区别？

depends_on_past
catchup
backfill
LatestOnlyOperator

我应该使用哪个，哪个LocalExecutor？

Ps。已经有一个非常相似的，但并不累人。

Answer 1

这个满足我的要求。 DAG 运行每分钟，而我的 "main" 任务持续 90 秒，因此它应该每秒跳过运行。我已经使用 ShortCircuitOperator 检查当前运行是否是目前唯一的（在 airflow db 的 dag_run table 中查询），和 catchup=False 禁用回填。但是我无法正确使用应该做类似事情的 LatestOnlyOperator。

DAG 文件

import os
import sys
from datetime import datetime
import airflow
from airflow import DAG
from airflow.operators.python_operator import PythonOperator, ShortCircuitOperator

import foo
import util

default_args = {
    'owner': 'airflow',
    'depends_on_past': True,
    'start_date': datetime(2018, 2, 13), # or any date in the past
    'email': ['services@mydomain.com'],
    'email_on_failure': True}

dag = DAG(
    'test90_dag',
    default_args=default_args,
    schedule_interval='* * * * *',
    catchup=False)

condition_task = ShortCircuitOperator(
    task_id='skip_check',
    python_callable=util.is_latest_active_dagrun,
    provide_context=True,
    dag=dag)

py_task = PythonOperator(
    task_id="test90_task",
    python_callable=foo.bar,
    provide_context=True,
    dag=dag)

airflow.utils.helpers.chain(condition_task, py_task)

util.py

import logging
from datetime import datetime
from airflow.hooks.postgres_hook import PostgresHook

def get_num_active_dagruns(dag_id, conn_id='airflow_db'):
    # for this you have to set this value in the airflow db
    airflow_db = PostgresHook(postgres_conn_id=conn_id)
    conn = airflow_db.get_conn()
    cursor = conn.cursor()
    sql = "select count(*) from public.dag_run where dag_id = '{dag_id}' and state in ('running', 'queued', 'up_for_retry')".format(dag_id=dag_id)
    cursor.execute(sql)
    num_active_dagruns = cursor.fetchone()[0]
    return num_active_dagruns

def is_latest_active_dagrun(**kwargs):
    num_active_dagruns = get_num_active_dagruns(dag_id=kwargs['dag'].dag_id)
    return (num_active_dagruns == 1)

foo.py

import datetime
import time

def bar(*args, **kwargs):
    t = datetime.datetime.now()
    execution_date = str(kwargs['execution_date'])
    with open("/home/airflow/test.log", "a") as myfile:
        myfile.write(execution_date + ' - ' + str(t) + '\n')
    time.sleep(90)
    with open("/home/airflow/test.log", "a") as myfile:
        myfile.write(execution_date + ' - ' + str(t) + ' +90\n')
    return 'bar: ok'

致谢：此答案基于this blog post。

Answer 2

DAG max_active_runs = 1 结合 catchup = False 可以解决这个问题。

Answer 3

DAG max_active_runs = 1 与 catchup = False 相结合，并在 wait_for_downstream=True 的开头添加一个 DUMMY 任务（类似于 START 任务）。从 LatestOnlyOperator 开始 - 如果先前的执行尚未完成，它将有助于避免重新运行任务。或者将 "START" 任务创建为 LatestOnlyOperator 并确保第一个处理层的所有 Taks 部分都连接到它。但请注意 - 根据文档 "Note that downstream tasks are never skipped if the given DAG_Run is marked as externally triggered."

运行只有最新的 Airflow DAG

Run only the latest Airflow DAG

airflow

airflow-scheduler

DAG 文件

util.py

foo.py

运行 只有最新的 Airflow DAG

Run only the latest Airflow DAG

airflow

airflow-scheduler

DAG 文件

util.py

foo.py

运行只有最新的 Airflow DAG