boto3 - Airflow S3KeySensor - 如何让它继续运行
问题描述
在这篇 Stackoverflow 帖子的帮助下,我刚刚制作了一个程序(帖子中显示的那个),当一个文件放在 S3 存储桶中时,我正在运行的 DAG 中的一个任务被触发,然后我使用 BashOperator 执行一些工作。一旦完成,尽管 DAG 不再处于运行状态,而是进入成功状态,如果我想让它拾取另一个文件,我需要清除所有“过去”、“未来”、“上游”、“下游的活动。我想制作这个程序,使其始终运行,并且只要将新文件放入 S3 存储桶中,程序就会启动任务。
我可以继续使用 S3KeySenor 来执行此操作,还是需要想办法设置外部触发器来运行我的 DAG?到目前为止,如果我的 S3KeySensor 只运行一次,它就毫无意义。
from airflow import DAG
from airflow.operators import SimpleHttpOperator, HttpSensor, EmailOperator, S3KeySensor
from datetime import datetime, timedelta
from airflow.operators.bash_operator import BashOperator
default_args = {
'owner': 'airflow',
'depends_on_past': False,
'start_date': datetime(2018, 5, 29),
'email': ['something@here.com'],
'email_on_failure': False,
'email_on_retry': False,
'retries': 5,
'retry_delay': timedelta(minutes=5)
}
dag = DAG('s3_triggered_emr_cluster_dag', default_args=default_args, schedule_interval= '@once')
# This Activity runs a Python script that creates an AWS EMR cluster and then does EMR activity on the EMR cluster.
t2 = BashOperator(
task_id='create_emr_cluster_1',
bash_command='python /home/ec2-user/aws-python-sample/Create_EMR_Then_Do_EMR_Activities.py',
retries=1,
dag=dag)
t1 = BashOperator(
task_id='success_log',
bash_command='echo "Dag ran successfully" >> /home/ec2-user/s3_triggered_dag.txt',
dag=dag)
sensor = S3KeySensor(
task_id='new_s3_file_in_foobar-bucket',
bucket_key='*',
wildcard_match=True,
bucket_name='foobar-bucket',
s3_conn_id='s3://foobar-bucket',
timeout=18*60*60,
poke_interval=120,
dag=dag)
t1.set_upstream(sensor)
t2.set_upstream(t1)
我想知道这是否不可能,因为它不会是有向无环图,而是会有一个重复传感器 -> t1 -> t2 -> 传感器 -> t1 -> t2 -> 传感器 ->的循环...不断重复。
更新:
我的用例非常简单,只要将新文件放在指定的 AWS S3 存储桶中,我就希望触发我的 DAG 并开始执行各种任务。这些任务将执行诸如实例化一个新的 AWS EMR 集群、从 AWS S3 存储桶中提取文件、执行一些 AWS EMR 活动,然后关闭 AWS EMR 集群之类的事情。从那里,DAG 将回到等待状态,等待新文件到达 AWS S3 存储桶,然后无限期地重复该过程。
解决方案
在 Airflow 中,没有映射到始终运行的 DAG 的概念。如果适合您的用例,您可以非常频繁地运行 DAG,例如每 1 到 5 分钟一次。
这里的主要内容是 S3KeySensor 会检查直到它检测到第一个文件存在于密钥的通配符路径中(或超时),然后它才会运行。但是当第二个、第三个或第四个文件着陆时,S3 传感器将已经完成了该 DAG 运行的运行。在下一次 DAG 运行之前,它不会被安排再次运行。(您描述的循环想法大致相当于调度程序在创建 DAG 运行时所做的事情,但不是永远。)
外部触发器听起来绝对是您的用例的最佳方法,无论该触发器来自 Airflow CLI 的trigger_dag命令 ( $ airflow trigger_dag ...
):
或通过 REST API:
两者都转身并调用trigger_dag
通用(实验)API中的函数:
例如,您可以设置一个 AWS Lambda 函数,当文件到达 S3 时调用该函数,该函数运行触发器 DAG 调用。
推荐阅读
- python - Django:settings.DATABASES 配置不正确
- dependencies - Sbt:一个回购中断打破了依赖关系解决方案
- android - ScrollView doesn't display whole content of ConstraintLayout
- c++ - 如何在 Windows 10 的 Clion 中使用 intel opencl sdk?
- python - 如何打印 args 和 kwargs 列表
- c# - 根据用于类的泛型类型是值类型还是引用类型,我可以从泛型类中的函数返回不同的类型吗?
- python - 试图改变但不是真的?
- html - 使用 Bootstrap 为面板标题中的按钮垂直居中对齐
- clojurescript - 使用 figwheel 从 clojurescript 编译生产资产
- c# - 如何将第二个 ItemCollection(可绑定)添加到 TreeViewItem?