从气流中的 BigQueryOperator 获取结果

Question

我正在尝试使用气流从BigQueryOperator 获取结果，但我找不到方法。我尝试在bq_cursor 成员（1.10 中可用）中调用next() 方法，但它返回None。这就是我尝试的方式

import datetime
import logging

from airflow import models
from airflow.contrib.operators import bigquery_operator
from airflow.operators import python_operator


yesterday = datetime.datetime.combine(
    datetime.datetime.today() - datetime.timedelta(1),
    datetime.datetime.min.time()
)

def MyChequer(**kwargs):
    big_query_count = bigquery_operator.BigQueryOperator(
        task_id='my_bq_query',
        sql='select count(*) from mydataset.mytable'
    )

    big_query_count.execute(context=kwargs)

    logging.info(big_query_count)
    logging.info(big_query_count.__dict__)
    logging.info(big_query_count.bq_cursor.next())

default_dag_args = {
    'start_date': yesterday,
    'email_on_failure': False,
    'email_on_retry': False,
    'project_id': 'myproject'
}

with models.DAG(
        'bigquery_results_execution',
        # Continue to run DAG once per day
        schedule_interval=datetime.timedelta(days=1),
        default_args=default_dag_args) as dag:

    myoperator = python_operator.PythonOperator(
        task_id='threshold_operator',
        provide_context=True,
        python_callable=MyChequer
    )

    # Define DAG
    myoperator

查看bigquery_hook.py 和bigquery_operator.py 似乎是获取结果的唯一可用方法。

Answer 1

您可以使用BigQueryOperator 将结果保存在临时目标表中，然后使用BigQueryGetDataOperator 获取如下结果，然后使用BigQueryTableDeleteOperator 删除该表：

get_data = BigQueryGetDataOperator(
    task_id='get_data_from_bq',
    dataset_id='test_dataset',
    table_id='Transaction_partitions',
    max_results='100',
    selected_fields='DATE',
    bigquery_conn_id='airflow-service-account'
)

文档：

• BigQueryGetDataOperator：https://airflow.readthedocs.io/en/1.10.0/integration.html#bigquerygetdataoperator
• BigQueryTableDeleteOperator：https://airflow.readthedocs.io/en/1.10.0/integration.html#bigquerytabledeleteoperator

Answer 2

每当我需要从 BigQuery 查询中获取数据并将其用于某些用途时，我都会使用 BigQuery 挂钩创建自己的运算符。我通常将其称为 BigQueryToXOperator，我们有一堆用于将 BigQuery 数据发送到其他内部系统的运算符.

例如，我有一个 BigQueryToPubSub 运算符，您可能会发现它作为一个示例很有用，用于说明如何查询 BigQuery，然后逐行处理结果，将它们发送到 Google PubSub。请考虑以下通用示例代码，了解如何自行执行此操作：

class BigQueryToXOperator(BaseOperator):
    template_fields = ['sql']
    ui_color = '#000000'

    @apply_defaults
    def __init__(
            self,
            sql,
            keys,
            bigquery_conn_id='bigquery_default',
            delegate_to=None,
            *args,
            **kwargs):
        super(BigQueryToXOperator, self).__init__(*args, **kwargs)
        self.sql = sql
        self.keys = keys # A list of keys for the columns in the result set of sql
        self.bigquery_conn_id = bigquery_conn_id
        self.delegate_to = delegate_to


    def execute(self, context):
        """
        Run query and handle results row by row.
        """
        cursor = self._query_bigquery()
        for row in cursor.fetchall():
            # Zip keys and row together because the cursor returns a list of list (not list of dicts)
            row_dict = dumps(dict(zip(self.keys,row))).encode('utf-8')

            # Do what you want with the row...
            handle_row(row_dict)


    def _query_bigquery(self):
        """
        Queries BigQuery and returns a cursor to the results.
        """
        bq = BigQueryHook(bigquery_conn_id=self.bigquery_conn_id,
                          use_legacy_sql=False)
        conn = bq.get_conn()
        cursor = conn.cursor()
        cursor.execute(self.sql)
        return cursor

Answer 3

感谢@kaxil 和@Mike 的回答。我发现了问题。 BigQueryCursor 中有一种错误（在我看来）。作为run_with_configuration 的一部分，running_job_id 被返回，但从未分配给job_id，job_id 用于在next 方法中提取结果。一种解决方法（如果您不想重新实现所有内容，则不是很优雅，但很好），是根据钩子中的running_job_id 分配job_id，如下所示

big_query_count.execute(context=kwargs)
#workaround
big_query_count.bq_cursor.job_id = big_query_count.bq_cursor.running_job_id
logging.info(big_query_count.bq_cursor.next())

Answer 4

分享一个关于如何使用大查询钩子获取数据的小例子：

下面是我的 demo_bigquery_hook 文件：

from airflow import DAG
from airflow.contrib.hooks.bigquery_hook import BigQueryHook
from airflow.utils.dates import days_ago
from airflow.operators.python_operator import PythonOperator
from datetime import *
import logging

logger = logging.getLogger("airflow.task")

# default arguments
default_args = {
    'owner': 'Airflow',
    'depends_on_past': False,
    'start_date': days_ago(0),
    'email': ['airflow@example.com'],
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': timedelta(minutes=2)
}

# initializing dag
dag = DAG(
    'test_bigquery_hook',
    default_args=default_args,
    catchup=False,
    schedule_interval=None,
    max_active_runs=1
)

def get_data_from_bq(**kwargs):
    hook = BigQueryHook(bigquery_conn_id='bigquery_default', delegate_to=None, use_legacy_sql=False)
    conn = hook.get_conn()
    cursor = conn.cursor()
    cursor.execute('SELECT owner_display_name, title, view_count FROM `bigquery-public-data.stackoverflow.posts_questions` WHERE creation_date > "2020-09-09" ORDER BY view_count DESC LIMIT 2')
    result = cursor.fetchall()
    print('result', result)
    return result

fetch_data = PythonOperator(
    task_id='fetch_data_public_dataset',
    provide_context=True,
    python_callable=get_data_from_bq,
    dag=dag
)

fetch_data

要在本地测试它，请将上述内容保存在“demo_bigquery_hook.py”文件中，并将其复制到您的 dags 文件夹中。打开命令提示符并执行以下命令：

1. export AIRFLOW_CONN_BIGQUERY_DEFAULT="google-cloud-platform://?extra__google_cloud_platform__project=<gcp_project_Id>"。将 gcp_project_id 替换为任何 Gcp 项目 ID。此命令将设置默认的 gcp 帐户。

2. export GOOGLE_APPLICATION_CREDENTIALS=<path_to_your_sa_key>。其中 是您的 Gcp 项目的服务帐户密钥的路径。

3. 最后运行以下命令：airflow test test_bigquery_hook fetch_data_public_dataset 2020-09-02T05:38:00+00:00。运行后，您将看到以下结果。

注意几点：

1. 本示例中使用的查询从 Gcp 提供的公共数据集中获取结果。

2. Bigquery 游标对象还提供了很多其他功能。打开这个link 浏览它们。

3. 本示例使用的 Airflow 版本是 1.10.12。

Answer 5

Google 提供的操作员使用 BigQueryHook 来获得到 BigQuery 的经过身份验证的连接。该类是解析 Airflow Connection 并创建 Google Cloud 凭据的类。你导入它：

from airflow.contrib.hooks.bigquery_hook import BigQueryHook

latest docs 说它有一个方法“get_client()”，应该返回经过身份验证的底层客户端。这在我的 Airflow 版本上不起作用，所以我使用 this answer 从钩子的内部字段直接创建 bigquery.client.Client 连接。逻辑如下：

def read_files_loaded_from_bq(bigquery_conn_id, sql):
    hook = BigQueryHook(bigquery_conn_id=bigquery_conn_id, delegate_to=None, use_legacy_sql=False)
    # this should work with latest version:
    # client = hook.get_client()
    # instead directly create a client using the internals of the hook:
    client = bigquery.Client(project=hook._get_field("project"), credentials=hook._get_credentials())
    query_job = client.query(sql)
    files = []
    for row in query_job:
        file_name = row["file_name"]
        files.append(file_name)
    result = ','.join(files)
    print('found files:', result)
    return result

read_files_loaded = PythonOperator(
    task_id='read_files_loaded',
    provide_context=False,
    python_callable=read_files_loaded_from_bq,
    op_kwargs = {
        "bigquery_conn_id": BIGQUERY_CONN_ID,
        "sql": "select file_name from myproj.mydataset.files_loaded"
    },
    dag=dag
)

这将运行查询并将数据加载到字符串中。然后，您可以使用以下命令通过 xcom 读取结果：

"{{ task_instance.xcom_pull(task_ids='read_files_loaded') }}"

如果您只是加载少量元数据来驱动 DAG 的逻辑，这种方法似乎很简单。如果有任何重要的数据，最好使用操作员在表和存储桶之间移动数据，而不是每次都将其拉入实际的气流任务流程。