如何使用python中的DAG，仅当AWS athena表中的新分区/数据可用时才触发气流任务？

Question

我有一个如下的场景:

< li >仅当源表(Athena)中有新数据可用时，才触发< code >任务1和< code >任务2。当一天中有新数据分区时，应触发Task1和Task2。 < li >仅在完成< code >任务1和< code >任务2时触发< code >任务3 < li >仅在< code >任务3完成时触发< code >任务4

我的代码

from airflow import DAG

from airflow.contrib.sensors.aws_glue_catalog_partition_sensor import AwsGlueCatalogPartitionSensor
from datetime import datetime, timedelta

from airflow.operators.postgres_operator import PostgresOperator
from utils import FAILURE_EMAILS

yesterday = datetime.combine(datetime.today() - timedelta(1), datetime.min.time())

default_args = {
    'owner': 'airflow',
    'depends_on_past': False,
    'start_date': yesterday,
    'email': FAILURE_EMAILS,
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': timedelta(minutes=5)
}

dag = DAG('Trigger_Job', default_args=default_args, schedule_interval='@daily')

Athena_Trigger_for_Task1 = AwsGlueCatalogPartitionSensor(
    task_id='athena_wait_for_Task1_partition_exists',
    database_name='DB',
    table_name='Table1',
    expression='load_date={{ ds_nodash }}',
    timeout=60,
    dag=dag)

Athena_Trigger_for_Task2 = AwsGlueCatalogPartitionSensor(
    task_id='athena_wait_for_Task2_partition_exists',
    database_name='DB',
    table_name='Table2',
    expression='load_date={{ ds_nodash }}',
    timeout=60,
    dag=dag)

execute_Task1 = PostgresOperator(
    task_id='Task1',
    postgres_conn_id='REDSHIFT_CONN',
    sql="/sql/flow/Task1.sql",
    params={'limit': '50'},
    trigger_rule='all_success',
    dag=dag
)

execute_Task2 = PostgresOperator(
    task_id='Task2',
    postgres_conn_id='REDSHIFT_CONN',
    sql="/sql/flow/Task2.sql",
    params={'limit': '50'},
    trigger_rule='all_success',
    dag=dag
)



execute_Task3 = PostgresOperator(
    task_id='Task3',
    postgres_conn_id='REDSHIFT_CONN',
    sql="/sql/flow/Task3.sql",
    params={'limit': '50'},
    trigger_rule='all_success',
    dag=dag
)

execute_Task4 = PostgresOperator(
    task_id='Task4',
    postgres_conn_id='REDSHIFT_CONN',
    sql="/sql/flow/Task4",
    params={'limit': '50'},
    dag=dag
)



execute_Task1.set_upstream(Athena_Trigger_for_Task1)
execute_Task2.set_upstream(Athena_Trigger_for_Task2)

execute_Task3.set_upstream(execute_Task1)
execute_Task3.set_upstream(execute_Task2)

execute_Task4.set_upstream(execute_Task3)

实现它的最佳方法是什么？

Answer 1

我相信你的问题解决了两个主要问题：

< li >忘记以明确的方式配置< code>schedule_interval，因此@daily正在设置一些您没有预料到的内容。 < li >当您依赖外部事件来完成执行时，如何正确地触发和重试dag的执行

简单答案：用cron作业格式明确设置scheduleinterval，并使用传感器操作符不时检查

default_args={
        'retries': (endtime - starttime)*60/poke_time
}
dag = DAG('Trigger_Job', default_args=default_args, schedule_interval='0 10 * * *')
Athena_Trigger_for_Task1 = AwsGlueCatalogPartitionSensor(
     ....
    poke_time= 60*5 #<---- html" target="_blank">set a poke_time in seconds
    dag=dag)

其中 startime 是您的日常任务开始的时间，结束时间是您应该在标记为失败之前检查事件是否完成的一天中的最后一个时间，poke_time是您的sensor_operator检查事件是否发生的间隔。

当您像以前一样将dag设置为< code>@daily时，如何显式处理cron作业:

dag = DAG('Trigger_Job', default_args=default_args, schedule_interval='@daily')

从文档中，你可以看到你实际上在做：@daily-每天午夜运行一次

这就解释了为什么会出现超时错误，并在5分钟后失败，因为您设置了“retries”：1和'retry_delay'：timedelta（minutes=5）。所以它试图在午夜运行dag，但失败了。5分钟后再次重试，但再次失败，因此将其标记为失败。

所以基本上@day run正在设置一个隐式cron作业：

@daily -> Run once a day at midnight -> 0 0 * * *

cron 作业格式采用以下格式，每当您想说“全部”时，您可以将值设置为 *。

分钟小时Day_of_Month月Day_of_Week

所以@day基本上是说每隔：分钟0小时0所有days_of_month所有月份的所有days_of_week

因此，您的案例每隔以下时间运行:分钟0小时10分钟/月/月/周/日。这在cron作业格式中转化为:

0 10 * * *

当您依赖外部事件来完成执行时，如何正确触发和重试dag的执行

>

您可以使用命令airflowtriggerdag从外部事件触发气流中的dag。如果您能够触发一个lambda函数/python脚本来针对您的气流实例，这将是可能的。

如果无法在外部触发 dag，请使用像 OP 那样的传感器运算符，为其设置poke_time并设置合理的重试次数。