數據管道通過整合、清理、分析、可視化等方式來管理初始收集的數據流。Apache Airflow提供了一個統一的平臺，可以使用它設計、實施、監控和維護數據的流動。Airflow具有易於使用的UI、即插即用的選項以及靈活的Python腳本，這些都使Airflow能夠非常輕松地完成任何數據管理任務。

在《Apache Airflow 數據編排實戰》中，介紹了如何構建和維護有效的數據管道。與你一同探索常見的使用模式，包括聚合多個數據源、連接到數據湖以及雲端部署。可以將本書作為Airflow的實用指南，本書涵蓋了為Airflow提供動力的有向無環圖(DAG)的各方面知識，以及如何根據工作需求對其進行自定義的技術。

主要內容

● 構建、測試及部署Airflow管道作為DAG

● 自動對數據進行移動和轉換

● 使用回填技術分析歷史數據集

● 開發自定義組件

● 在生產環境中搭建Airflow

第Ⅰ部分  入門
第1章  遇見Apache Airflow 3
1.1  數據管道介紹 3
1.1.1  數據管道的圖形表示 4
1.1.2  運行管道圖 5
1.1.3  管道圖與順序腳本 6
1.1.4  使用工作流管理器運行數據流 8
1.2  Airflow介紹 9
1.2.1  通過Python代碼靈活定義數據管道 9
1.2.2  調度並執行數據管道 10
1.2.3  監控和處理故障 11
1.2.4  增量載入和回填 14
1.3  何時使用Airflow 14
1.3.1  選擇Airflow的原因 14
1.3.2  不使用Airflow的理由 15
1.4  本書的其餘部分 15
1.5  本章小結 16
第2章  Airflow DAG深度解析 17
2.1  從大量數據源中收集數據 17
2.2  編寫你的個Airflow DAG 19
2.2.1  任務與operator 22
2.2.2  運行任意Python代碼 23
2.3  在Airflow中運行DAG 25
2.3.1  在Python環境中運行Airflow 25
2.3.2  在Docker容器中運行Airflow 26
2.3.3  使用Airflow圖形界面 27
2.4  運行定時任務 31
2.5  處理失敗的任務 32
2.6  本章小結 34
第3章  Airflow中的調度 35
3.1  示例：處理用戶事件 35
3.2  定期執行DAG 37
3.2.1  使用調度器計劃性運行 37
3.2.2  基於cron的時間間隔 38
3.2.3  基於頻率的時間間隔 40
3.3  增量處理數據 40
3.3.1  獲取增量事件數據 40
3.3.2  使用執行日期的動態時間參考 42
3.3.3  對數據執行分區 43
3.4  理解Airflow的執行日期 45
3.5  使用回填技術填補過去的空白 47
3.6  任務設計的實踐 49
3.6.1  原子性 49
3.6.2  冪等性 51
3.7  本章小結 52
第4章  使用Airflow context對任務進行模板化 53
4.1  為Airflow準備數據 53
4.2  任務context和Jinja模板 55
4.2.1  對operator使用參數模板 56
4.2.2  模板中可用的變量及表達式 57
4.2.3  對PythonOperator使用模板 60
4.2.4  為PythonOperator提供變量 64
4.2.5  檢查模板化參數 66
4.3  連接到其他繫統 67
4.4  本章小結 74
第5章  定義任務之間的依賴關繫 75
5.1  基本依賴關繫 75
5.1.1  線性依賴關繫 75
5.1.2  扇入/扇出依賴 77
5.2  分支 79
5.2.1  在任務內部執行分支操作 79
5.2.2  在DAG中使用分支技術 81
5.3  帶有條件的任務 85
5.3.1  在任務內部使用條件 85
5.3.2  對DAG使用條件 86
5.3.3  使用內置operator 88
5.4  觸發條件詳解 88
5.4.1  什麼是觸發規則 88
5.4.2  失敗的影響 89
5.4.3  其他觸發規則 90
5.5  在任務之間共享數據 91
5.5.1  使用XCom共享數據 91
5.5.2  XCom的適用場景 94
5.5.3  使用自定義XCom後端存儲 95
5.6  使用Taskflow API連接Python任務 95
5.6.1  使用Taskflow API簡化Python任務 96
5.6.2  Taskflow API的適用場景 98
5.7  本章小結 99
第Ⅱ部分  Airflow深入學習
第6章  觸發工作流 103
6.1  帶有傳感器的輪詢條件 103
6.1.1  輪詢自定義條件 106
6.1.2  傳感器的異常情況 107
6.2  觸發其他DAG 110
6.2.1  使用TriggerDagRunOperator執行回填操作 114
6.2.2  輪詢其他 DAG 的狀態 114
6.3  使用REST/CLI啟動工作流 117
6.4  本章小結 120
第7章  與外部繫統通信 121
7.1  連接到雲服務 122
7.1.1  安裝額外的依賴軟件包 122
7.1.2  開發一個機器學習模型 123
7.1.3  在本地開發外部繫統程序 128
7.2  在繫統之間移動數據 134
7.2.1  實現PostgresToS3Operator 136
7.2.2  將繁重的任務“外包”出去 139
7.3  本章小結 141
第8章  創建自定義組件 143
8.1  從PythonOperator開始 143
8.1.1  模擬電影評分API 144
8.1.2  從API獲取評分數據 146
8.1.3  構建具體的DAG 149
8.2  創建自定義hook 151
8.2.1  設定自定義hook 151
8.2.2  使用MovielensHook構建DAG 156
8.3  構建自定義operator 158
8.3.1  創建自定義operator 158
8.3.2  創建用於獲取評分數據的operator 159
8.4  創建自定義傳感器 162
8.5  將你的組件打包 165
8.5.1  引導Python包 166
8.5.2  安裝你的Python包 168
8.6  本章小結 169
第9章  測試 171
9.1  開始測試 171
9.1.1  所有DAG的完整性測試 172
9.1.2  設置CI/CD管道 177
9.1.3  測試 179
9.1.4  pytest項目結構 180
9.1.5  使用磁盤上的文件測試 184
9.2  在測試中使用DAG和任務context 186
9.3  使用測試進行開發 198
9.4  使用Whirl模擬生產環境 201
9.5  創建DTAP環境 201
9.6  本章小結 201
第10章  在容器中運行任務 203
10.1  同時使用多個不同operator
所面臨的挑戰 203
10.1.1  operator接口和實現 204
10.1.2  復雜且相互衝突的依賴關繫 204
10.1.3  轉向通用operator 205
10.2  容器 205
10.2.1  什麼是容器 206
10.2.2  運行個Docker容器 207
10.2.3  創建Docker映像 207
10.2.4  使用卷持久化數據 209
10.3  容器與Airflow 212
10.3.1  容器中的任務 212
10.3.2  為什麼使用容器 212
10.4  在Docker中運行任務 213
10.4.1 使用DockerOperator 213
10.4.2  為任務創建容器映像 215
10.4.3  使用Docker任務創建DAG 218
10.4.4  基於Docker的工作流 220
10.5  在Kubernetes中運行任務 221
10.5.1  Kubernetes介紹 221
10.5.2  設置Kubernetes 222
10.5.3  使用KubernetesPodOperator 225
10.5.4  診斷Kubernetes相關的問題 228
10.5.5  與基於docker的工作流的區別 230
10.6  本章小結 231
第Ⅲ部分  Airflow實踐
第11章  實現 235
11.1  編寫清晰的DAG 235
11.1.1  使用風格約定 235
11.1.2  集中管理憑證 239
11.1.3  統一指定配置詳細信息 240
11.1.4  避免在DAG定義中計算 242
11.1.5  使用工廠函數生成通用模式 244
11.1.6  使用任務組對相關任務進行分組 247
11.1.7  為重大變更創建新的DAG 248
11.2  設計可重用的任務 249
11.2.1  要求任務始終滿足冪等性 249
11.2.2  任務結果的確定性 249
11.2.3  使用函數式範式設計任務 250
11.3  高效處理數據 250
11.3.1  限制處理的數據量 250
11.3.2  增量載入與增量處理 252
11.3.3  緩存中間數據 252
11.3.4  不要將數據存儲在本地文件繫統 253
11.3.5  將工作卸載到外部繫統或源繫統 253
11.4  管理資源 254
11.4.1  使用資源池管理並發 254
11.4.2  使用SLA和告警來檢測長時間運行的任務 255
11.5  本章小結 256
第12章  在生產環境中使用Airflow 257
12.1  Airflow架構 258
12.1.1  挑選適合的執行器 259
12.1.2  為Airflow配置metastore 259
12.1.3  深入了解調度器 261
12.2  安裝每個執行器 265
12.2.1  設置SequentialExecutor 266
12.2.2  設置LocalExecutor 266
12.2.3  設置CeleryExecutor 267
12.2.4  設置KubernetesExecutor 269
12.3  捕獲所有Airflow進程的日志 276
12.3.1  捕獲Web服務器輸出 276
12.3.2  捕獲調度器輸出 277
12.3.3  捕獲任務日志 278
12.3.4  將日志發送到遠程存儲 278
12.4  可視化及監控Airflow指標 279
12.4.1  從Airflow收集指標 279
12.4.2  配置Airflow以發送指標 280
12.4.3  配置Prometheus以收集指標 281
12.4.4  使用Grafana創建儀表板 283
12.4.5  應監控的指標 285
12.5  如何獲得失敗任務的通知 287
12.5.1  DAG和operator內的告警 287
12.5.2  定義服務級別協議(SLA) 289
12.6  可伸縮性與性能 290
12.6.1  控制運行任務數 290
12.6.2  繫統性能配置 292
12.6.3  運行多個調度器 292
12.7  本章小結 293
第13章  Airflow安全性 295
13.1  保護Airflow Web界面 296
13.1.1  將用戶添加到RBAC界面 296
13.1.2  配置RBAC界面 299
13.2  加密靜態數據 300
13.3  連接LDAP服務 301
13.3.1  理解LDAP 302
13.3.2  從LDAP服務獲取用戶 304
13.4  加密與Web服務器的通信 305
13.4.1  了解HTTPS 305
13.4.2  為HTTPS配置證書 307
13.5  從認證管理繫統獲取憑證 311
13.6  本章小結 314
第14章  實戰：探索遊覽紐約市的快方式 315
14.1  理解數據 318
14.1.1  Yellow Cab文件共享 318
14.1.2  Citi Bike REST API 319
14.1.3  確定算法 320
14.2  提取數據 320
14.2.1  下載Citi Bike數據 321
14.2.2  下載Yellow Cab數據 323
14.3  對數據應用類似的轉換 325
14.4  構建數據管道 330
14.5  開發冪等的數據管道 331
14.6  本章小結 333
第Ⅳ部分  在雲端
第15章  Airflow在雲端 337
15.1  設計雲端部署策略 337
15.2  雲端專用的hook和operator 339
15.3  托管服務 340
15.3.1  Astronomer.io 340
15.3.2  Google Cloud Composer 340
15.3.3  適用於Apache Airflow的
Amazon托管工作流 341
15.4  選擇部署策略 342
15.5  本章小結 342
第16章  在AWS中運行Airflow 345
16.1  在AWS中部署Airflow 345
16.1.1  選擇雲服務 345
16.1.2  設計網絡 347
16.1.3  添加DAG同步 347
16.1.4  使用CeleryExecutor擴展 348
16.1.5  後續步驟 349
16.2  針對AWS的hook和operator 350
16.3  用例：使用AWS Athena進行無服務器的電影排名 351
16.3.1  用例概要 352
16.3.2  設置資源 352
16.3.3  創建DAG 355
16.3.4  環境清理 360
16.4  本章小結 361
第17章  在Azure中使用Airflow 363
17.1  在Azure中部署Airflow 363
17.1.1  選擇服務 363
17.1.2  設計網絡 364
17.1.3  使用CeleryExecutor擴展 365
17.1.4  後續步驟 366
17.2  針對Azure設計的hook和operator 367
17.3  示例：在Azure上運行無服務器的電影推薦程序 367
17.3.1  示例概要 368
17.3.2  設定資源 368
17.3.3  創建DAG 372
17.3.4  環境清理 377
17.4  本章小結 378
第18章  在GCP中運行Airflow 379
18.1  在GCP中部署Airflow 379
18.1.1  選擇服務 379
18.1.2  使用Helm在GKE上
部署Airflow 381
18.1.3  與Google服務集成 383
18.1.4  設計網絡 385
18.1.5  通過CeleryExecutor擴展 386
18.2  針對GCP的hook和operator 388
18.3  用例：在GCP上運行無服務器的電影評級 392
18.3.1  上傳到GCS 392
18.3.2  將數據導入BigQuery 394
18.3.3  提取評分 396
18.4  本章小結 399
附錄A  運行示例代碼 401
附錄B  Airflow 1和Airflow 2中的包結構 405
附錄C  Prometheus指標映射 409
 

我們都很幸運能在這個有趣而富有挑戰性的時代成為數據工程師。無論怎樣，許多公司和組織都意識到，數據在管理企業和改善運營方面發揮著關鍵作用。機器學習和人工智能的迅速發展為我們提供了大量新的機遇。然而，采用以數據為中心的流程通常非常困難，因為它通常需要協調跨許多異構繫統工作，並將所有工作以一種穩定、及時的方式捆綁在一起，以便進行後續分析或產品部署。
2014年，Airbnb的工程師們意識到在公司內部管理復雜數據工作流是一件非常具有挑戰的事情。為了應對這種挑戰，他們開發了Airflow：一個開源的解決方案，允許他們編寫和安排工作流，並使用內置的Web界面監控工作流運行。
Airflow項目的成功很快引起了Apache軟件基金會的注意，並在2016年將其作為孵化器項目，在2019年將其作為項目。因此，現在許多大公司都依賴Airflow來協調許多關鍵的數據處理任務。
作為GoDataDriven的技術顧問，我們已經幫助許多客戶將Airflow作為項目的關鍵組件應用在生產繫統中，這些項目涉及數據湖、數據平臺、機器學習模型等的應用場景。在這個過程中，我們意識到交付這些解決方案可能具有很大的挑戰性，因為像Airflow這樣復雜的工具很難在短時間內掌握。為此，我們還在GoDataDriven開發了一個Airflow培訓項目，並經常組織和參加會議，分享我們的知識、觀點，以及一些開源軟件包。在我們探索Airflow的過程中，不斷發現它的復雜性，並且通過閱讀文檔來完全掌握Airflow並不是一件容易的事情。
在《Apache Airflow數據編排實戰》中，我們旨在全面介紹Airflow，涵蓋從構建簡單工作流到開發定制組件，以及設計並管理Airflow部署的所有內容。我們打算用一種簡潔、易於遵循的格式，將多個主題集中在一起，從而對許多優秀的博客及其他在線文檔進行補充。在此過程中，我們希望能夠通過在過去幾年中積累的經驗，為你成功開啟Airflow的探索之旅。