数据流编程教程:如何使用Airflow构建数据科学工作流

556 查看

概述

Airflow 是一个我们正在用的工作流调度器,相对于传统的crontab任务管理,Airflow很好的为我们理清了复杂的任务依赖关系、监控任务执行的情况。我们喜欢它是因为它写代码太容易了,也便于调试、维护和继承重用,而不是像xml那样的配置文件用来描述DAG。

通过SQL和HQL的临时查询,我们还可以快速生成前端图表,而且顺带连数据的API接口也都生成了,这几乎要让的Web开发工程师失业了。

当然Airflow还支持移动端显示,只要收藏页面,我们就可以实现”移动监控”。

功能总览

1. 任务调度系统:DAGs

  • 强大的任务调度与管理

  • 调度代码一览无余

2. 数据剖析

  • 配置 SQL 语句,以及作图的option

  • 图表自动生成

  • API数据自动生成

将当前的图表地址 http://localhost:8080/admin/airflow/chart?chart_id=2&iteration_no=40
替换成 http://localhost:8080/admin/airflow/chart_data?chart_id=2&iteration_no=40即可返回json数据

如果对 API数据自动生成不够满意,还可以轻松地对源代码自行定制。

3. 监控管理

  • 任务日志

  • 任务监控

  • 调度配置化

4. 权限管理

  • 系统配置

  • 用户管理

  • 数据源管理

实战

步骤一:安装Airflow

步骤二:修改默认路径

这里如果不修改路径,默认的配置就是 ~/airflow

临时修改 AIRFLOW_HOME 环境变量, 这里的 /home/airflow 可以替换成你想要的文件夹目录

永久修改环境变量

系统默认的配置文件是从 airflow包的configuration.py文件中获取的,在设置了路径和airflow.cfg之后,配置将由airflow.cfg所替代。

步骤三:修改默认数据库

找到配置文件

修改sql配置

注意到,之前使用的 mysql+driver://root:FinanceR@localhost:3306/airflow的方式是行不通的。

初始化服务器的数据库

就可以开启后台管理界面,默认访问localhost:8080即可。

步骤四:修改数据源配置

通过create按钮,添加相应的参数

步骤五:解决中文字符集显示问题

注意到 airflow 的所有.py文件都声明了 utf-8 字符集

如果需要显示中文,需要在extra选项中添加
{"charset":"utf8"}的配置

参考资料