Apache Airflow и конвейеры обработки данных
Покупка
Новинка
Тематика:
Системы управления базами данных (СУБД)
Издательство:
ДМК Пресс
Перевод:
Беликов Дмитрий Анатольевич
Год издания: 2022
Кол-во страниц: 502
Дополнительно
Вид издания:
Практическое пособие
Уровень образования:
Профессиональное образование
ISBN: 978-5-97060-970-5
Артикул: 833978.01.99
Доступ онлайн
В корзину
Конвейеры обработки данных управляют потоком данных с момента их первоначального сбора до консолидации, очистки, анализа, визуализации и многого другого. Эта книга научит вас создавать и сопровождать эффективные конвейеры обработки данных с использованием платформы Apache Airflow. Те, кто мало знаком с Airflow, получат базовое представление о принципах работы этой платформы в I части книги. Далее обсуждаются такие темы, как создание собственных компонентов, тестирование, передовые практики и развертывание, - эти главы можно читать в произвольном порядке в зависимости от конкретных потребностей читателя. Издание предназначено для специалистов по DevOps, обработке и хранению данных, машинному обучению, а также системных администраторов с навыками программирования на Python.
- Полная коллекция по информатике и вычислительной технике
- ДМК Пресс. Информационные системы и технологии
- ДМК Пресс. ИТ-технологии для профессионалов
- Интермедиатор. Информационные системы и технологии (сводная)
- Интермедиатор. ИТ-технологии для профессионалов (сводная)
- Системы управления базами данных (СУБД)
Тематика:
ББК:
УДК:
ОКСО:
- ВО - Бакалавриат
- 02.03.02: Фундаментальная информатика и информационные технологии
- 09.03.01: Информатика и вычислительная техника
- 09.03.02: Информационные системы и технологии
- 09.03.03: Прикладная информатика
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов.
Для полноценной работы с документом, пожалуйста, перейдите в
ридер.
Бас Харенслак Джулиан де Руйтер Apache Airflow и конвейеры обработки данных
Data Pipelines with Apache Airflow SECOND EDITION BAS HARENSLAK and JULIAN DE RUITER
Apache Airflow и конвейеры обработки данных БАС ХАРЕНСЛАК ДЖУЛИАН ДЕ РУЙТЕР Москва, 2022
УДК 004.4 ББК 32.372 Х20 Харенслак Б., де Руйтер Дж. Х20 Apache Airflow и конвейеры обработки данных / пер. с англ. Д. А. Беликова. – М.: ДМК Пресс, 2022. – 502 с.: ил. ISBN 978-5-97060-970-5 Конвейеры обработки данных управляют потоком данных с момента их первоначального сбора до консолидации, очистки, анализа, визуализации и многого другого. Эта книга научит вас создавать и сопровождать эффективные конвейеры обработки данных с использованием платформы Apache Airflow. Те, кто мало знаком с Airflow, получат базовое представление о принципах работы этой платформы в I части книги. Далее обсуждаются такие темы, как создание собственных компонентов, тестирование, передовые практики и развертывание, – эти главы можно читать в произвольном порядке в зависимости от конкретных потребностей читателя. Издание предназначено для специалистов по DevOps, обработке и хранению данных, машинному обучению, а также системных администраторов с навыками программирования на Python. УДК 004.4 ББК 32.372 Original English language edition published by Manning Publications USA. Russian-language edition copyright © 2021 by DMK Press. All rights reserved. Все права защищены. Любая часть этой книги не может быть воспроизведена в какой бы то ни было форме и какими бы то ни было средствами без письменного разрешения владельцев авторских прав. ISBN 978-1-6172-9690-1 (англ.) ISBN 978-5-97060-970-5 (рус.) © Manning Publications, 2021 © Перевод, оформление, издание, ДМК Пресс, 2022
Оглавление ЧастьI ПРИСТУПАЕМК РАБОТЕ .......................................................................... 25 1 Знакомствос Apache Airflow .......................................................................... 27 2 АнатомияОАГ ................................................................................................... 46 3 Планированиев Airflow .................................................................................. 67 4 Созданиешаблоновзадачс использованиемконтекстаAirflow ......... 89 5 Определениезависимостеймежду задачами ......................................... 114 ЧастьII ЗАПРЕДЕЛАМИОСНОВ .......................................................................... 144 6 Запускрабочихпроцессов ........................................................................... 146 7 Обменданнымис внешними системами ................................................ 166 8 Созданиепользовательскихкомпонентов .............................................. 190 9 Тестирование .................................................................................................. 222 10 Запускзадачв контейнерах ........................................................................ 259 ЧастьIII AIRFLOWНАПРАКТИКЕ ......................................................................... 294 11 Лучшиепрактики ........................................................................................... 295 12 ЭксплуатацияAirflowв промышленномокружении ............................ 324 13 Безопасностьв Airflow .................................................................................. 369 14 Проект:поисксамогобыстрогоспособапередвиженияпо Нью-Йорку ................................................................................................. 393 ЧастьIV ОБЛАКО .......................................................................................................... 415 15 Airflowи облако .............................................................................................. 417 16 Airflowи AWS ................................................................................................... 426 17 Airflowи Azure ................................................................................................. 446 18 Airflowв GCP .................................................................................................... 465
Содержание Предисловие ...................................................................................................... 14 Благодарности ................................................................................................. 16 О книге ............................................................................................................... 18 Об авторах ....................................................................................................... 23 Об иллюстрации на обложке ........................................................................ 24 Часть I ПРИСТУПАЕМ К РАБОТЕ........................................... 25 1 Знакомство с Apache Airflow..................................................... 27 1.1 Знакомство с конвейерами обработки данных ........................... 28 1.1.1 Конвейеры обработки данных как графы ................................... 29 1.1.2 Выполнение графа конвейера ...................................................... 30 1.1.3 Графы конвейеров и последовательные сценарии ...................... 32 1.1.4 Запуск конвейера с по мощью диспетчеров рабочих процессов ..................................................................................... 33 1.2 Представляем Airflow ......................................................................... 35 1.2.1 Определение конвейеров в коде (Python) гибким образом ............35 1.2.2 Планирование и выполнение конвейеров .................................... 36 1.2.3 Мониторинг и обработка сбоев ................................................. 39 1.2.4 Инкрементальная загрузка и обратное заполнение .................. 41 1.3 Когда использовать Airflow ............................................................... 42 1.3.1 Причины выбрать Airflow ........................................................... 42 1.3.2 Причины не выбирать Airflow ..................................................... 43 1.4 Остальная часть книги ....................................................................... 44 Резюме .............................................................................................................. 44 2 Анатомия ОАГ ...................................................................................... 46 2.1 Сбор данных из множества источников ........................................ 46 2.1.1 Изучение данных ......................................................................... 47 2.2 Пишем наш первый ОАГ ................................................................... 48 2.2.1 Задачи и операторы .................................................................... 52 2.2.2 Запуск произвольного кода на Python ......................................... 53
Содержание 2.3 Запуск ОАГ в Airflow ........................................................................... 56 2.3.1 Запуск Airflow в окружении Python.............................................. 56 2.3.2 Запуск Airflow в контейнерах Docker .......................................... 57 2.3.3 Изучаем пользовательский интерфейс Airflow .......................... 58 2.4 Запуск через равные промежутки времени ................................. 62 2.5 Обработка неудачных задач ............................................................. 64 Резюме .............................................................................................................. 66 3 Планирование в Airflow .................................................................. 67 3.1 Пример: обработка пользовательских событий .......................... 68 3.2 Запуск через равные промежутки времени ................................. 69 3.2.1 Определение интервалов ............................................................ 70 3.2.2 Интервалы на основе Cron ......................................................... 71 3.2.3 Частотные интервалы .............................................................. 73 3.3 Инкрементная обработка данных................................................... 74 3.3.1 Инкрементное извлечение событий ........................................... 74 3.3.2 Динамическая привязка ко времени с использованием дат выполнения .................................................................................. 75 3.3.3 Разделение данных ...................................................................... 77 3.4 Даты выполнения ............................................................................... 80 3.4.1 Выполнение работы с фиксированными интервалами .............. 80 3.5 Использование обратного заполнения .......................................... 82 3.5.1 Назад в прошлое .......................................................................... 82 3.6 Лучшие практики для проектирования задач ............................. 84 3.6.1 Атомарность .............................................................................. 84 3.6.2 Идемпотентность ..................................................................... 86 Резюме .............................................................................................................. 87 4 Создание шаблонов задач с использованием контекста Airflow .............................................................................. 89 4.1 Проверка данных для обработки с помощью Airflow ................. 90 4.1.1 Определение способа загрузки инкрементальных данных ......... 90 4.2 Контекст задачи и шаблонизатор Jinja .......................................... 92 4.2.1 Создание шаблонов аргументов оператора .............................. 92 4.2.2 Что доступно для создания шаблонов? ...................................... 95 4.2.3 Создание шаблона для PythonOperator ....................................... 97 4.2.4 Предоставление переменных PythonOperator ...........................102 4.2.5 Изучение шаблонных аргументов ..............................................104 4.3 Подключение других систем ...........................................................105 Резюме .............................................................................................................113 5 Определение зависимостей между задачами .............114 5.1 Базовые зависимости ........................................................................115 5.1.1 Линейные зависимости ..............................................................115 5.1.2 Зависимости «один-ко-многим» и «многие-к-одному» .............116 5.2 Ветвление .............................................................................................119 5.2.1 Ветвление внутри задач ............................................................119
Содержание 5.2.2 Ветвление внутри ОАГ ..............................................................121 5.3 Условные задачи .................................................................................126 5.3.1 Условия в задачах .......................................................................126 5.3.2 Делаем задачи условными ..........................................................127 5.3.3 Использование встроенных операторов ...................................129 5.4 Подробнее о правилах триггеров ...................................................130 5.4.1 Что такое правило триггеров? .................................................130 5.4.2 Эффект неудач ...........................................................................131 5.4.3 Другие правила ...........................................................................132 5.5 Обмен данными между задачами ..................................................133 5.5.1 Обмен данными с по мощью XCom..............................................134 5.5.2 Когда (не) стоит использовать XCom .......................................137 5.5.3 Использование настраиваемых XCom-бэкендов .......................137 5.6 Связывание задач Python с по мощью Taskflow API...................138 5.6.1 Упрощение задач Python с по мощью Taskflow API .....................139 5.6.2 Когда (не) стоит использовать Taskflow API ............................141 Резюме .............................................................................................................143 Часть II ЗА ПРЕДЕЛАМИ ОСНОВ ............................................144 6 Запуск рабочих процессов ............................................................146 6.1 Опрос условий с использованием сенсоров ................................147 6.1.1 Опрос пользовательских условий ...............................................150 6.1.2 Использование сенсоров в случае сбоя .......................................152 6.2 Запуск других ОАГ ..............................................................................155 6.2.1 Обратное заполнение с по мощью оператора TriggerDagRunOperator ..............................................................159 6.2.2 Опрос состояния других ОАГ .....................................................159 6.3 Запуск рабочих процессов с помощью REST API и интерфейса командной строки ...................................................163 Резюме .............................................................................................................165 7 Обмен данными с внешними системами.......................166 7.1 Подключение к облачным сервисам .............................................167 7.1.1 Установка дополнительных зависимостей ..............................168 7.1.2 Разработка модели машинного обучения .................................169 7.1.3 Локальная разработка с использованием внешних систем ......174 7.2 Перенос данных из одной системы в другую ..............................182 7.2.1 Реализация оператора PostgresToS3Operator ...........................184 7.2.2 Привлекаем дополнительные ресурсы для тяжелой работы....187 Резюме .............................................................................................................189 8 Создание пользовательских компонентов ...................190 8.1 Начнем с PythonOperator .................................................................191 8.1.1 Имитация API для рейтинга фильмов ......................................191 8.1.2 Получение оценок из API ............................................................194 8.1.3 Создание фактического ОАГ ......................................................197
Содержание 8.2 Создание собственного хука ...........................................................199 8.2.1 Создание собственного хука ......................................................200 8.2.2 Создание ОАГ с по мощью MovielensHook ...................................206 8.3 Создание собственного оператора ................................................208 8.3.1 Определение собственного оператора ......................................208 8.3.2 Создание оператора для извлечения рейтингов .......................210 8.4 Создание нестандартных сенсоров ...............................................213 8.5 Упаковка компонентов .....................................................................216 8.5.1 Создание пакета Python ............................................................217 8.5.2 Установка пакета .....................................................................219 Резюме .............................................................................................................220 9 Тестирование ........................................................................................222 9.1 Приступаем к тестированию ...........................................................223 9.1.1 Тест на благонадежность ОАГ ..................................................223 9.1.2 Настройка конвейера непрерывной интеграции и доставки ...230 9.1.3 Пишем модульные тесты ..........................................................232 9.1.4 Структура проекта Pytest ........................................................233 9.1.5 Тестирование с файлами на диске .............................................238 9.2 Работа с ОАГ и контекстом задачи в тестах .................................241 9.2.1 Работа с внешними системами ................................................246 9.3 Использование тестов для разработки .........................................254 9.3.1 Тестирование полных ОАГ .........................................................257 9.4 Эмулируйте промышленное окружение с помощью Whirl .....257 9.5 Создание окружений .........................................................................258 Резюме .............................................................................................................258 10 Запуск задач в контейнерах ......................................................259 10.1 Проблемы, вызываемые множеством разных операторов .....260 10.1.1 Интерфейсы и реализации операторов ....................................260 10.1.2 Сложные и конфликтующие зависимости ................................261 10.1.3 Переход к универсальному оператору .......................................261 10.2 Представляем контейнеры ..............................................................262 10.2.1 Что такое контейнеры? ...........................................................263 10.2.2 Запуск нашего первого контейнера Docker ................................264 10.2.3 Создание образа Docker ..............................................................265 10.2.4 Сохранение данных с использованием томов ............................267 10.3 Контейнеры и Airflow ........................................................................270 10.3.1 Задачи в контейнерах ................................................................270 10.3.2 Зачем использовать контейнеры? ............................................270 10.4 Запуск задач в Docker ........................................................................272 10.4.1 Знакомство с DockerOperator ....................................................272 10.4.2 Создание образов для задач .......................................................274 10.4.3 Создание ОАГ с задачами Docker ................................................277 10.4.4 Рабочий процесс на базе Docker .................................................280 10.5 Запуск задач в Kubernetes ................................................................281 10.5.1 Представляем Kubernetes ..........................................................282 10.5.2 Настройка Kubernetes ................................................................283 10.5.3 Использование KubernetesPodOperator ......................................286
Содержание 10.5.4 Диагностика проблем, связанных с Kubernetes .........................290 10.5.5 Отличия от рабочих процессов на базе Docker .........................292 Резюме .............................................................................................................293 Часть III AIRFLOW НА ПРАКТИКЕ ..........................................294 11 Лучшие практики ..............................................................................295 11.1 Написание чистых ОАГ .....................................................................296 11.1.1 Используйте соглашения о стилях ............................................296 11.1.2 Централизованное управление учетными данными ................300 11.1.3 Единообразно указывайте детали конфигурации .....................301 11.1.4 Избегайте вычислений в определении ОАГ ................................304 11.1.5 Используйте фабричные функции для генерации распространенных шаблонов ....................................................306 11.1.6 Группируйте связанные задачи с по мощью групп задач ............310 11.1.7 Создавайте новые ОАГ для больших изменений ........................312 11.2 Проектирование воспроизводимых задач ..................................312 11.2.1 Всегда требуйте, чтобы задачи были идемпотентными ........312 11.2.2 Результаты задачи должны быть детерминированными .......313 11.2.3 Проектируйте задачи с использованием парадигмы функционального программирования ........................................313 11.3 Эффективная обработка данных ....................................................314 11.3.1 Ограничьте объем обрабатываемых данных ............................314 11.3.2 Инкрементальная загрузка и обработка ..................................316 11.3.3 Кешируйте промежуточные данные .........................................317 11.3.4 Не храните данные в локальных файловых системах ...............318 11.3.5 Переложите работу на внешние/исходные системы ................318 11.4 Управление ресурсами......................................................................319 11.4.1 Управление параллелизмом с по мощью пулов ...........................319 11.4.2 Обнаружение задач с длительным временем выполнения с помощью соглашений об уровне предоставления услуг и оповещений ..............................................................................321 Резюме .............................................................................................................322 12 Эксплуатация Airflow в промышленном окружении ................................................................................................324 12.1 Архитектура Airflow ...........................................................................325 12.1.1 Какой исполнитель мне подходит? ...........................................327 12.1.2 Настройка базы метаданных для Airflow .................................328 12.1.3 Присмотримся к планировщику ................................................330 12.2 Установка исполнителей ..................................................................334 12.2.1 Настройка SequentialExecutor ....................................................335 12.2.2 Настройка LocalExecutor ...........................................................335 12.2.3 Настройка CeleryExecutor ..........................................................336 12.2.4 Настройка KubernetesExecutor ...................................................339 12.3 Работа с журналами всех процессов Airflow ................................347 12.3.1 Вывод веб-сервера ......................................................................347 12.3.2 Вывод планировщика .................................................................348
Содержание 12.3.3 Журналы задач ...........................................................................349 12.3.4 Отправка журналов в удаленное хранилище ............................350 12.4 Визуализация и мониторинг метрик Airflow ..............................350 12.4.1 Сбор метрик из Airflow ..............................................................351 12.4.2 Настройка Airflow для отправки метрик .................................353 12.4.3 Настройка Prometheus для сбора метрик .................................353 12.4.4 Создание дашбордов с Grafana ...................................................356 12.4.5 Что следует мониторить? .......................................................358 12.5 Как получить уведомление о невыполненной задаче ..............360 12.5.1 Оповещения в ОАГ и операторах ...............................................360 12.5.2 Определение соглашений об уровне предоставления услуги ...... 362 12.6 Масштабируемость и производительность .................................364 12.6.1 Контроль максимального количества запущенных задач .........365 12.6.2 Конфигурации производительности системы ..........................366 12.6.3 Запуск нескольких планировщиков ............................................367 Резюме .............................................................................................................368 13 Безопасность в Airflow ..................................................................369 13.1 Обеспечение безопасности веб-интерфейса Airflow ................370 13.1.1 Добавление пользователей в интерфейс RBAC .........................371 13.1.2 Настройка интерфейса RBAC ...................................................374 13.2 Шифрование хранимых данных .....................................................375 13.2.1 Создание ключа Fernet ................................................................375 13.3 Подключение к службе LDAP ...........................................................377 13.3.1 Разбираемся с LDAP ...................................................................378 13.3.2 Извлечение пользователей из службы LDAP ..............................380 13.4 Шифрование трафика на веб-сервер.............................................381 13.4.1 Разбираемся с протоколом HTTP ..............................................381 13.4.2 Настройка сертификата для HTTPS ........................................384 13.5 Извлечение учетных данных из систем управления секретами .............................................................................................388 Резюме .............................................................................................................392 14 Проект: поиск самого быстрого способа передвижения по Нью-Йорку ....................................................393 14.1 Разбираемся с данными ...................................................................396 14.1.1 Файловый ресурс Yellow Cab .......................................................397 14.1.2 REST API Citi Bike .......................................................................397 14.1.3 Выбор плана подхода ..................................................................399 14.2 Извлечение данных ...........................................................................400 14.2.1 Скачиваем данные по Citi Bike ...................................................400 14.2.2 Загрузка данных по Yellow Cab ...................................................402 14.3 Применение аналогичных преобразований к данным ............405 14.4 Структурирование конвейера обработки данных .....................410 14.5 Разработка идемпотентных конвейеров обработки данных ....411 Резюме .............................................................................................................414
Содержание Часть IV ОБЛАКО ........................................................................................415 15 Airflow и облако ...................................................................................417 15.1 Проектирование стратегий (облачного) развертывания .........418 15.2 Операторы и хуки, предназначенные для облака......................420 15.3 Управляемые сервисы .......................................................................421 15.3.1 Astronomer.io ..............................................................................421 15.3.2 Google Cloud Composer ................................................................422 15.3.3 Amazon Managed Workflows for Apache Airflow ..........................423 15.4 Выбор стратегии развертывания ...................................................423 Резюме .............................................................................................................425 16 Airflow и AWS .........................................................................................426 16.1 Развертывание Airflow в AWS ..........................................................426 16.1.1 Выбор облачных сервисов ...........................................................427 16.1.2 Проектирование сети................................................................428 16.1.3 Добавление синхронизации ОАГ .................................................430 16.1.4 Масштабирование с по мощью CeleryExecutor ...........................430 16.1.5 Дальнейшие шаги .......................................................................432 16.2 Хуки и операторы, предназначенные для AWS ..........................432 16.3 Пример использования: бессерверное ранжирование фильмов с AWS Athena ......................................................................434 16.3.1 Обзор ..........................................................................................434 16.3.2 Настройка ресурсов ...................................................................435 16.3.3 Создание ОАГ ..............................................................................438 16.3.4 Очистка .....................................................................................445 Резюме .............................................................................................................445 17 Airflow и Azure ......................................................................................446 17.1 Развертывание Airflow в Azure ........................................................446 17.1.1 Выбор сервисов ...........................................................................447 17.1.2 Проектирование сети................................................................448 17.1.3 Масштабирование с по мощью CeleryExecutor ...........................449 17.1.4 Дальнейшие шаги .......................................................................450 17.2 Хуки и операторы, предназначенные для Azure ......................... 451 17.3 Пример: бессерверное ранжирование фильмов с Azure Synapse ..................................................................................................452 17.3.1 Обзор ..........................................................................................452 17.3.2 Настройка ресурсов ...................................................................453 17.3.3 Создание ОАГ ..............................................................................457 17.3.4 Очистка .....................................................................................463 Резюме .............................................................................................................464 18 Airflow в GCP ..........................................................................................465 18.1 Развертывание Airflow в GCP ..........................................................465 18.1.1 Выбор сервисов ...........................................................................466 18.1.2 Развертывание в GKE с по мощью Helm .....................................468
Содержание 18.1.3 Интеграция с сервисами Google .................................................471 18.1.4 Проектирование сети................................................................472 18.1.5 Масштабирование с по мощью CeleryExecutor ...........................473 18.2 Хуки и операторы, предназначенные для GCP ...........................476 18.3 Пример использования: бессерверный рейтинг фильмов в GCP ......................................................................................................481 18.3.1 Загрузка в GCS ............................................................................481 18.3.2 Загрузка данных в BigQuery ........................................................483 18.3.3 Извлечение рейтингов, находящихся в топе .............................485 Резюме .............................................................................................................488 Приложение A Запуск примеров кода .......................................................................490 Приложение В Структуры пакетов Airflow 1 и 2 ..................................................494 Приложение С Сопоставление метрик в Prometheus ............................................498 Предметный указатель ..................................................................500
Предисловие Нам обоим посчастливилось работать инженерами по обработке данных в интересные и трудные времена. Хорошо это или плохо, но многие компании и организации осознают, что данные играют ключевую роль в управлении их операциями и их улучшении. Последние разработки в области машинного обучения и искусственного интеллекта открыли множество новых возможностей для извлечения выгоды. Однако внедрение процессов, ориентированных на данные, часто бывает затруднительным, поскольку обычно требуется координировать работу в различных гетерогенных системах и связывать все воедино аккуратно и своевременно для последующего анализа или развертывания продукта. В 2014 году инженеры Airbnb осознали проблемы управления сложными рабочими процессами данных внутри компании. Чтобы разрешить их, они приступили к разработке Airflow: решения с открытым исходным кодом, позволяющего писать и планировать рабочие процессы, а также отслеживать их выполнение с по мощью встроенного веб-интерфейса. Успех этого проекта быстро привел к тому, что его приняли в рамках Apache Software Foundation, сначала в качестве проекта инкубатора в 2016 году, а затем в качестве проекта верхнего уровня в 2019 году. В результате многие крупные компании теперь используют Airflow для управления многочисленными критически важными процессами обработки данных. Работая консультантами в GoDataDriven, мы помогли клиентам внедрить Airflow в качестве ключевого компонента в проектах, связанных с созданием озер и платформ данных, моделей машинного обучения и т. д. При этом мы поняли, что передача этих решений может быть непростой задачей, поскольку такие сложные инструменты, как Airflow, трудно освоить в одночасье. По этой причине мы также разработали программу по обучению Airflow в GoData-Driven, часто
Предисловие организовывали семинары и участвовали в них, чтобы поделиться своими знаниями, мнениями и даже пакетами с открытым исходным кодом. В совокупности эти усилия помогли нам изучить тонкости работы с Airflow, которые не всегда было легко понять, используя доступную нам документацию. В этой книге мы хотим предоставить исчерпывающее введение в Airflow, которое охватывает все, от построения простых рабочих процессов до разработки собственных компонентов и проектирования / управления развертываниями Airflow. Мы намерены дополнить блоги и другую онлайн-документацию, объединив несколько тем в одном месте в кратком и понятном формате. Тем самым мы надеемся придать вам стимул в работе с Airflow, опираясь на опыт, который мы накопили, и преодолевая трудности, с которыми мы столкнулись за последние годы.
Благодарности Выход этой книги был бы невозможен без поддержки множества замечательных людей. Коллеги из GoDataDriven и наши друзья поддерживали нас и предоставили ценные предложения и важные наблюдения. Кроме того, читатели, члены программы Manning Early Access Program (MEAP), оставили полезные комментарии на онлайн-форуме. Рецензенты, участвовавшие в процессе подготовки издания, также предоставили полезные отзывы: Эл Кринкер, Клиффорд Тербер, Дэниел Ламблин, Дэвид Криф, Эрик Платон, Фелипе Ортега, Джейсон Рендель, Джереми Чен, Джири Пик, Джонатан Вуд, Картик Сираса- нагандла, Кент Р. Спиллнер, Лин Чен, Филип Бест, Филип Паттерсон, Рамбабу Поза, Ричард Мейнсен, Роберт Г. Гимбель, Роман Павлов, Сальваторе Кампанья, Себастьян Пальма Мардонес, Торстен Вебер, Урсин Стаусс и Влад Навицкий. Мы выражаем особую благодарность Брайану Сойеру из издательства Manning, редактору отдела закупок, который помог нам сформировать первоначальную заявку на издание этой книги и поверил, что мы сможем довести дело до конца; Трише Лувар, нашему редактору- консультанту по аудитории, которая очень терпеливо отвечала на все наши вопросы, давала важные отзывы по каждой из наших черновиков глав и была для нас важным проводником на протяжении всего пути; а также остальным сотрудникам: редактору проекта Дейрдре Хиам; редактору Мишель Митчелл; корректору Кери Хейлз и техническому корректору Элу Кринкеру. Бас Харенслак Я хотел бы поблагодарить своих друзей и семью за их терпение и поддержку в течение этого приключения, длившегося полтора года, которое превратилось из второстепенного проекта в бесчисленное количество дней, ночей и выходных. Стефани, спасибо за то, что все время терпела меня, пока я работал за компьютером. Мириам, Герд и Лотте,
Благодарности спасибо за то, что терпели меня и верили в меня, пока я писал эту книгу. Я также хотел бы поблагодарить коман ду GoDataDriven за их поддержку и стремление всегда учиться и совершенствоваться. Пять лет назад я и представить себе не мог, когда начал работать, что стану автором книги. Джулиан де Руйтер Прежде всего я хотел бы поблагодарить свою жену Анн Полин и сына Декстера за их бесконечное терпение в течение многих часов, которые я потратил на то, чтобы «еще немного поработать» над книгой. Эта книга была бы невозможна без их непоколебимой поддержки. Также хотел бы поблагодарить нашу семью и друзей за их поддержку и доверие. Наконец, хочу сказать спасибо нашим коллегам из GoDa- taDriven за их советы и поддержку, от которых я также многому научился за последние годы.
О книге Эта книга была написана, чтобы помочь вам реализовать рабочие процессы (или конвейеры), ориентированные на обработку данных с по мощью Airflow. Она начинается с концепций и механики, участвующих в программном построении рабочих процессов для Apache Airflow с использованием языка программирования Python. Затем мы переходим к более подробным темам, таким как расширение Airflow путем создания собственных компонентов и всестороннего тестирования рабочих процессов. Заключительная часть книги посвящена проектированию и управлению развертывания Airflow, затрагивая такие темы, как безопасность и проектирование архитектур для облачных платформ. Кому адресована эта книга Эта книга написана для специалистов и инженеров по обработке данных, которые хотят разрабатывать базовые рабочие процессы в Air- flow, а также для инженеров, интересующихся более сложными темами, такими как создание собственных компонентов для Airflow или управление развертываниями Airflow. Поскольку рабочие процессы и компоненты Airflow построены на языке Python, мы ожидаем, что у читателей имеется промежуточный опыт программирования на Python (т. е. они хорошо умеют создавать функции и классы Python, имеют представление о таких понятиях, как * args и ** kwargs и т. д.). Также будет полезен опыт работы с Docker, поскольку большинство примеров кода запускаются с использованием Docker (хотя при желании их можно запускать локально).
О книге Структура книги Книга состоит из четырех разделов, которые охватывают 18 глав. Часть I посвящена основам Airflow. В ней объясняется, что такое Airflow, и изложены его основные концепции: в главе 1 обсуждается концепция рабочих процессов / конвейеров обработки данных и их создание с по мощью Apache Airflow. В ней также рассказывается о преимуществах и недостатках Air- flow по сравнению с другими решениями, в том числе приводятся ситуации, при которых вы, возможно, не захотите использовать Apache Airflow; глава 2 посвящена базовой структуре конвейеров в Apache Air- flow (также известных как ОАГ), с объяснением различных задействованных компонентов и их совместимости; в главе 3 показано, как использовать Airflow для планирования работы конвейеров через повторяющиеся промежутки времени, чтобы можно было (например) создавать конвейеры, которые постепенно загружают новые данные с течением времени. В этой главе также рассматриваются тонкости механизма планирования Airflow, который часто является источником путаницы; в главе 4 показано, как использовать механизмы создания шаб- лонов в Airflow для динамического включения переменных в определения конвейера. Это позволяет ссылаться на такие вещи, как даты выполнения расписания в конвейерах; в главе 5 демонстрируются различные подходы к определению отношений между задачами в конвейерах, что позволяет создавать более сложные структуры конвейеров с ветками, условными задачами и общими переменными. В части II подробно рассматривается использование более сложных тем, включая взаимодействие с внешними системами, создание собственных компонентов и разработку тестов для ваших конвейеров: в главе 6 показано, как запускать рабочие процессы другими способами, не связанными с фиксированным расписанием, такими как загрузка файлов или вызов по протоколу HTTP; в главе 7 демонстрируются рабочие процессы с использованием операторов, которые управляют различными задачами вне Airflow, что позволяет создавать поток событий через системы, которые не связаны между собой; в главе 8 объясняется, как создавать собственные компоненты для Airflow, которые позволяют повторно использовать функциональные возможности в разных конвейерах или интегрироваться с системами, не поддерживающими встроенные функции Airflow; в главе 9 обсуждаются различные варианты тестирования рабочих процессов Airflow, затрагиваются свойства операторов и способы их применения во время тестирования;
Доступ онлайн
В корзину