Airflow S3KeySensor - 如何让它继续运行

时间:2018-05-29 19:48:02

标签: boto3 airflow airflow-scheduler

this Stackoverflow post的帮助下,我刚刚创建了一个程序(帖子中显示的程序),当一个文件放在S3存储桶中时,我的一个正在运行的DAG中的任务被触发,然后我执行一些使用BashOperator工作。一旦它完成,虽然DAG不再处于运行状态,而是进入成功状态,如果我想让它拿起另一个文件,我需要清除所有的“过去”#, '未来','上游','下游'活动。我想制作这个程序,以便它始终运行,并且只要在S3存储桶中放置一个新文件,程序就会启动任务。

我可以继续使用S3KeySenor执行此操作,还是需要找到设置External Trigger以运行DAG的方法?截至目前,我的S3KeySensor如果只运行一次就毫无意义。

from airflow import DAG
from airflow.operators import SimpleHttpOperator, HttpSensor, EmailOperator, S3KeySensor
from datetime import datetime, timedelta
from airflow.operators.bash_operator import BashOperator

default_args = {
    'owner': 'airflow',
    'depends_on_past': False,
    'start_date': datetime(2018, 5, 29),
    'email': ['something@here.com'],
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 5,
    'retry_delay': timedelta(minutes=5)
}

dag = DAG('s3_triggered_emr_cluster_dag', default_args=default_args, schedule_interval= '@once')

# This Activity runs a Python script that creates an AWS EMR cluster and then does EMR activity on the EMR cluster.
t2 = BashOperator(
    task_id='create_emr_cluster_1',
    bash_command='python /home/ec2-user/aws-python-sample/Create_EMR_Then_Do_EMR_Activities.py',
    retries=1,
    dag=dag)

t1 = BashOperator(
    task_id='success_log',
    bash_command='echo "Dag ran successfully" >> /home/ec2-user/s3_triggered_dag.txt',
    dag=dag)

sensor = S3KeySensor(
    task_id='new_s3_file_in_foobar-bucket',
    bucket_key='*',
    wildcard_match=True,
    bucket_name='foobar-bucket',
    s3_conn_id='s3://foobar-bucket',
    timeout=18*60*60,
    poke_interval=120,
    dag=dag)

t1.set_upstream(sensor)
t2.set_upstream(t1)

我想知道这是不可能的,因为它不会是有向无环图,而是会有一个循环,重复传感器 - > t1 - > t2 - >传感器 - > t1 - > t2 - >传感器 - > ......继续重复

更新

我的用例非常简单,只要在指定的AWS S3 Bucket中放置新文件,我就希望触发我的DAG并开始执行各种任务。这些任务将执行以下操作:实例化新的AWS EMR集群,从AWS S3存储桶中提取文件,执行某些AWS EMR活动,然后关闭AWS EMR集群。从那里,DAG将返回等待状态,等待新文件到达AWS S3 Bucket,然后无限期地重复该过程。

2 个答案:

答案 0 :(得分:5)

在Airflow中,没有一个概念映射到始终运行的DAG。如果适合您的使用案例,您可以非常频繁地运行DAG,例如每1至5分钟。

主要的是S3KeySensor检查直到它检测到密钥的通配符路径(或超时)中存在第一个文件,然后运行。但是当第二个,第三个或第四个文件落地时,S3传感器已经完成了DAG运行的运行。它不会被安排再次运行,直到下一次DAG运行。 (您描述的循环构思大致相当于调度程序在创建DAG运行时所执行的操作,除非永远不会。)

外部触发器听起来绝对是您用例的最佳方法,无论该触发是通过Airflow CLI的trigger_dag命令($ airflow trigger_dag ...)来实现的:

https://github.com/apache/incubator-airflow/blob/972086aeba4616843005b25210ba3b2596963d57/airflow/bin/cli.py#L206-L222

或通过REST API:

https://github.com/apache/incubator-airflow/blob/5de22d7fa0d8bc6b9267ea13579b5ac5f62c8bb5/airflow/www/api/experimental/endpoints.py#L41-L89

两者都转身并在公共(实验)API中调用trigger_dag函数:

https://github.com/apache/incubator-airflow/blob/089c996fbd9ecb0014dbefedff232e8699ce6283/airflow/api/common/experimental/trigger_dag.py#L28-L67

例如,您可以设置一个AWS Lambda函数,当文件登陆S3时调用该函数来运行触发器DAG调用。

答案 1 :(得分:1)

另一种方法是使用 S3 触发一个 aws lambda,它将使用 api 调用 DAG

s3 事件 -> aws lambda -> Airflow api

设置 S3 通知以触发 lambda

https://docs.aws.amazon.com/lambda/latest/dg/with-s3.html

气流 API

https://airflow.apache.org/docs/apache-airflow/stable/rest-api-ref.html