Question

让我们说我想用Airflow运行一个非常简单的ETL DAG：它检查DB2中的最后一次插入时间，如果有的话，它会将更新的行从DB1加载到DB2。

有一些可以理解的要求：

按小时计划，前几次运行将持续1小时以上
- 例如。第一次运行应该处理一个月的数据，并持续72小时，
- 所以第二次运行应该处理最后72小时，它持续7.2小时，
- 第三个处理7.2小时，并在一小时内完成，
- 从此开始每小时运行一次。
当DAG正在运行时，不要启动下一个，而是跳过它。
如果时间超过了触发事件，并且DAG没有启动，请不要随后启动它。
还有其他DAG，DAG应该独立执行。

我发现这些参数和操作符有点混乱，它们之间的区别是什么？

depends_on_past
catchup
backfill
LatestOnlyOperator

我应该使用哪一个，以及哪个LocalExecutor？

聚苯乙烯。已经非常相似thread了，但它并不累人。

Answer 1

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

Answer 2

这个满足我的要求。 DAG每分钟运行一次，而我的主要是＆＃34;任务持续90秒，因此它应该跳过每一次运行。我已使用ShortCircuitOperator检查当前运行是否是目前唯一的运行（dag_run db airflow表中的查询）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 3

DAG max_active_runs = 1与catchup = False组合，并在开头（排序为START任务）的开头添加一个DUMMY任务，其中wait_for_downstream = True。从LatestOnlyOperator开始-如果以前的执行尚未完成，它将有助于避免重新运行Task。或以LatestOnlyOperator身份创建“ START”任务，并确保第一处理层的所有Taks部分都已连接到该任务。但是请注意-根据文档，“请注意，如果将给定的DAG_Run标记为外部触发，则永远不会跳过下游任务。”

仅运行最新的Airflow DAG

3 个答案:

DAG文件

util.py

foo.py