从零开始学习Apache Airflow的使用步骤

Apache Airflow 作为一款功能强大的开源工作流管理工具，它专为数据工程师、数据科学家以及数据分析师设计，用于创建、调度、监控以及管理复杂的计算和数据处理工作流。这些工作流可以包含各种任务，比如数据提取（ETL）、数据转换、数据加载（ETL 的 L 部分）、机器学习模型训练与评估等。下面，我们将详细介绍 Apache Airflow 的使用步骤，帮助感兴趣的朋友快速上手。

1. 安装 Apache Airflow

你可以通过以下命令来安装 Airflow：

pip install apache-airflow

建议使用虚拟环境来管理 Airflow 的依赖项。

2. 初始化数据库

Airflow 需要一个数据库来存储任务执行状态和其他元数据信息。初始化数据库的命令：

airflow db init

3. 创建用户

你需要创建一个管理员账户以访问 Airflow 的 web 界面：

airflow users create \
    --username admin \
    --password admin \
    --firstname Firstname \
    --lastname Lastname \
    --role Admin \
    --email admin@example.com

4. 启动 Airflow Scheduler 和 Web Server

Airflow 包含一个调度器（Scheduler）和一个 Web 服务器（Web Server），你需要分别启动这两个服务。

启动调度器：

airflow scheduler

启动 Web Server：

airflow webserver

Web Server 默认在 localhost:8080 上运行，你可以通过浏览器访问它。

5. 创建 DAG（有向无环图）

在 Airflow 中，工作流是通过 DAG（Directed Acyclic Graph）来定义的。一个简单的 DAG 例子如下：

from airflow import DAG
from airflow.operators.python import PythonOperator
from datetime import datetime
def my_task():
    print("This is a task")
default_args = {
    'start_date': datetime(2023, 9, 1),
    'retries': 1
}
with DAG(
    'my_dag',
    default_args=default_args,
    schedule_interval='@daily'
) as dag:
    task = PythonOperator(
        task_id='my_task',
        python_callable=my_task
    )

• DAG 是用 Python 定义的，default_args 包含任务的默认参数。
• PythonOperator 用于执行 Python 函数。

6. 设置任务依赖

你可以通过设置任务的依赖来定义任务的执行顺序。例如：

task1 >> task2  # task1 先执行，task2 后执行

7. 将 DAG 放入 DAGs 文件夹

将你定义的 DAG 文件保存到 Airflow 的 DAGs 文件夹中。这个文件夹的位置通常是 $AIRFLOW_HOME/dags/，或者你可以在 airflow.cfg 文件中配置。

8. 监控 DAG

访问 Airflow 的 Web 界面，你可以看到所有定义的 DAG，查看它们的执行状态，手动触发执行，并监控各个任务的日志。

9. 常见 Airflow 操作

触发 DAG：

airflow dags trigger my_dag

列出 DAG：

airflow dags list

查看任务状态：

airflow tasks list my_dag

Airflow 是一个强大的调度和工作流管理工具，适合处理复杂的数据管道和任务依赖。

Apache Airflow 凭借其强大的功能和灵活的扩展性，成为了许多企业数据管道和机器学习工作流的首选工具。通过遵循上述步骤，你可以快速上手并开始使用 Apache Airflow 来管理你的数据工作流。