如何在窗口主机上的 apache 气流中使用 Docker 操作器

Question

我已经成功地在本地开发了一个超级简单的ETL进程（下面称为load_staging），它从远程位置提取数据，然后将未处理的数据写入本地Windows机器上的MongoDB容器。现在，我想使用DockerOperator为每个任务使用Apache Airflow计划这个过程，即我想创建源代码的docker映像，然后使用docker Operator执行该映像中的源代码。因为我在windows机器上工作，所以我只能使用码头集装箱内的气流。

我已经用< code>docker-compose up启动了airflow容器(下面称为webserver)和MongoDB容器(下面称为mongo ),并且在Airflow的GUI中手动触发了DAG。根据Airflow，任务正在成功执行，但似乎docker映像中的代码没有被执行，因为任务完成得太快，而且就在docker容器从我的映像启动后，任务以错误代码0执行，也就是说，我没有看到任务本身的任何日志输出。请参见下面的日志:

[2020-01-20 17:09:44,444] {{docker_operator.py:194}} INFO - Starting docker container from image myaccount/myrepo:load_staging_op
[2020-01-20 17:09:50,473] {{logging_mixin.py:95}} INFO - [[34m2020-01-20 17:09:50,472[0m] {{[34mlocal_task_job.py:[0m105}} INFO[0m - Task exited with return code 0[0m

所以，我的两个问题是:

1. 我是否得出了正确的结论，或者还有什么可能是这个问题的根源？
2. 如何确保始终执行图像中的代码？

您可以在下面找到有关如何设置DockerOPator、如何定义应该由DockerOPator执行的映像、启动webserver和mongo容器的docker-compose.yml文件以及用于创建webserver容器的Dockerfile的更多信息。

在我的DAG定义文件中，我指定了DockerOperator，如下所示：

CONFIG_FILEPATH = "/configs/docker_execution.ini"
data_object_name = "some_name"
task_id_ = "{}_task".format(data_object_name)
cmd = "python /src/etl/load_staging_op/main.py --config_filepath={} --data_object_name={}".format(CONFIG_FILEPATH, data_object_name)
staging_op = DockerOperator(
            command=cmd,
            task_id=task_id_,
            image="myaccount/myrepo:load_staging_op",
            api_version="auto",
            auto_remove=True
)

上面引用的映像load_staging_op的 Docker 文件如下所示：

# Inherit from Python image
FROM python:3.7

# Install environment
USER root
COPY ./src/etl/load_staging_op/requirements.txt ./
RUN pip install -r requirements.txt

# Copy source code files into container
COPY ./configs /configs
COPY ./wsdl /wsdl
COPY ./src/all_constants.py /src/all_constants.py
COPY ./src/etl/load_staging_op/utils.py /src/etl/load_staging_op/utils.py
COPY ./src/etl/load_staging_op/main.py /src/etl/load_staging_op/main.py

# Extend python path so that custom modules are found
ENV PYTHONPATH "${PYTHONPATH}:/src"

ENTRYPOINT [ "sh", "-c"]

docker-compose.yml文件外观的相关方面如下：

version: '2.1'
services:
    webserver:
        build: ./docker-airflow
        restart: always
        privileged: true
        depends_on:
            - mongo
            - mongo-express
        volumes:
            - ./docker-airflow/dags:/usr/local/airflow/dags
            # source code volume
            - ./src:/src
            - ./docker-airflow/workdir:/home/workdir
            # Mount the docker socket from the host (currently my laptop) into the webserver container
            # so that we can build docker images from inside the webserver container.
            - //var/run/docker.sock:/var/run/docker.sock  # the two "//" are needed for windows OS
            - ./configs:/configs
            - ./wsdl:/wsdl
        ports:
            # Change port to 8081 to avoid Jupyter conflicts
            - 8081:8080
        command: webserver
        healthcheck:
            test: ["CMD-SHELL", "[ -f /usr/local/airflow/airflow-webserver.pid ]"]
            interval: 30s
            timeout: 30s
            retries: 3
        networks:
            - mynet

    mongo:
        container_name: mymongo
        image: mongo
        restart: always
        ports:
            - 27017:27017
        networks:
            - mynet

上述多克文件中引用的 Web 服务器容器的多克文件如下所示：

FROM puckel/docker-airflow:1.10.4

# Adds DAG folder to the PATH
ENV PYTHONPATH "${PYTHONPATH}:/src:/usr/local/airflow/dags"

# Install the optional packages
COPY requirements.txt requirements.txt  # make sure something like docker==4.1.0 is in this requirements.txt file!
USER root
RUN pip install -r requirements.txt

# Install docker inside the webserver container
RUN curl -sSL https://get.docker.com/ | sh
ENV SHARE_DIR /usr/local/share

# Install simple text editor for debugging
RUN ["apt-get", "update"]
RUN ["apt-get", "-y", "install", "vim"]

谢谢你的帮助，我非常感激！

Answer 1

我衷心感谢所有花时间帮助我解决问题的人。我需要实现以下更改才能使其正常工作：

DockerOperator:

• 调整在运行时（即构建容器时）传递给容器的命令
• 将参数network_mode添加到运行 Web 服务器容器的网络中。这对我来说很困难，因为我是Docker的新手，在网上找不到很多关于这个的教程。为了查找运行Web服务器容器的网络名称，我使用Docker网络ls之类的东西列出了主机（=Windows笔记本电脑）上所有当前处于活动状态的网络。在显示的网络列表中，我看到一个名为project_root_dirname_mynet的网络，因此我的项目的根目录和 docker-compose.yml 文件中指定的网络名称的组合。有趣的是（很明显），在列出所有网络之后，您可以使用诸如docker网络检查之类的东西project_root_dirname_mynet检查网络project_root_dirname_mynet。这将返回一个带有子部分“容器”的 json 文件，您可以在其中看到 docker-compose.yml 文件中指定的所有容器。

然后Dockeroperator的代码变为：

cmd = "--config_filepath {} --data_object_name {}".format(CONFIG_FILEPATH.strip(), data_object_name.strip())
print("Command: {}".format(cmd))
staging_op = DockerOperator(
    command=cmd,
    task_id=task_id_,
    image="myaccount/myrepo:load_staging_op",
    api_version="auto",
    auto_remove=True,
    network_mode="project_root_dirname_mynet"
)

load_staging_op任务的泊坞文件：

• 将最后一行从ENTRYPOINT["sh"，"-c"]更改为ENTRYPOINT["python"，"/src/etl/load_staging_op/main.py"]。我认为“python”参数将在容器中打开一个Python控制台，第二个参数只是您要在docker容器中执行的脚本的路径。然后，在运行时（或构建时或以任何方式调用），上面cmd中的命令行参数将被传递。在图像的源代码中，您可以使用argparse之类的库来检索这些命令。