使用DB动态生成气流任务

Question

我想像这样运行气流 ->

• 我有 2 名气流工作人员 W1 和 W2。
• 在 W1 中，我安排了一个任务 (W1-1)，但在 W2 中，我想创建 X 个任务（W2-1、W2-2 ... W2-X）。
• 每个任务的数字 X 和 bash 命令将来自 DB 调用。
• 工作人员 W2 的所有任务应在 W1 完成后并行运行。

这是我的代码

dag = DAG('deploy_single', catchup=False, default_args=default_args, schedule_interval='16 15 * * *')

t1 = BashOperator(
        task_id='dummy_task',
        bash_command='echo hi > /tmp/hi',
        queue='W1_queue',
        dag=dag)

get_all_engines = "select full_command, queue_name from internal_airflow_hosts where logical_group = 'live_engines';"

db_creds = json.loads(open('/opt/airflow/db_creds.json').read())
conn_dict = db_creds["airflowdb_local"]
connection = psycopg2.connect(**conn_dict)

cursor = connection.cursor()

cursor.execute(get_all_engines)
records = cursor.fetchall()
i = 1
for record in records:
    t = BashOperator(
        task_id='script_test_'+str(i),
        bash_command="{full_command} ".format(full_command=str(record[0])),
        queue=str(record[1]),
        dag=dag)
    t.set_upstream(t1)
    i += 1

cursor.close()
connection.close()

但是，当我运行它时，W1 上的任务成功完成，但 W2 上的所有任务都失败了。在气流 UI 中，我可以看到它可以解决正确数量的任务（在本例中为 10 个），但是这 10 个任务中的每一个都失败了。

查看日志，我看到在 W2（在另一台机器上）上，airflow 找不到 db_creds.json 文件。

我不想将 DB creds 文件提供给 W2。

我的问题是在这种情况下如何动态创建气流任务？ 基本上我想在气流服务器上运行一个数据库查询，并根据该查询的结果将任务分配给一个或多个工作人员。数据库将包含有关哪些引擎处于活动状态等的更新信息，我希望 DAG 反映这一点。从日志来看，看起来每个工作人员都在运行数据库查询。向每个工作人员提供对数据库的访问权限不是一种选择。

Answer 1

一种方法是将信息存储在Airflow Variable 中。

您可以在变量中获取动态生成 DAG（和必要的配置）所需的信息，并让 W2 从那里访问它。

变量是一个airflow model，可用于存储所有任务都可以访问的静态信息（没有关联时间戳的信息）。

Answer 2

谢谢@viraj-parekh 和@cwurtz。

经过反复试验，找到了在这种情况下使用气流变量的正确方法。

第 1 步）我们创建另一个名为 gen_var.py 的脚本并将其放在 dag 文件夹中。这样，调度程序将获取并生成变量。如果生成变量的代码在deploy_single dag 中，那么我们会遇到同样的依赖问题，因为worker 也会尝试处理dag。

"""
Code that goes along with the Airflow tutorial located at:
https://github.com/airbnb/airflow/blob/master/airflow/example_dags/tutorial.py
"""
import json
import psycopg2
from airflow.models import Variable
from psycopg2.extensions import AsIs

get_all_engines = "select full_command, queue_name from internal_airflow_hosts where logical_group = 'live_engines';"

db_creds = json.loads(open('/opt/airflow/db_creds.json').read())
conn_dict = db_creds["airflowdb_local"]
connection = psycopg2.connect(**conn_dict)

cursor = connection.cursor()

cursor.execute(get_all_engines)
records = cursor.fetchall()

hosts = {}
i = 1
for record in records:
    comm_dict = {}
    comm_dict['full_command'] = str(record[0])
    comm_dict['queue_name'] = str(record[1])
    hosts[i] = comm_dict
    i += 1

cursor.close()
connection.close()

Variable.set("hosts",hosts,serialize_json=True)

注意对serialize_json 的调用。 Airflow 将尝试将变量存储为字符串。如果您希望将其存储为字典，请使用serialize_json=True。 Airflow 仍将通过json.dumps 将其存储为字符串

第 2 步）简化 dag 并像这样调用这个 "hosts" 变量（现在反序列化以取回字典） -

hoztz = Variable.get("hosts",deserialize_json=True)
for key in hoztz:
    host = hoztz.get(key)
    t = BashOperator(
        task_id='script_test_'+str(key),
        bash_command="{full_command} ".format(full_command=str(host.get('full_command'))),
        queue=str(host.get('queue_name')),
        dag=dag)
    t.set_upstream(t1)

希望对其他人有所帮助。