使用 AirFlow 调度 MaxCompute，

文章由Byrx.net分享于2021-08-12 09:08:05评论（72）

使用 AirFlow 调度 MaxCompute，

背景

airflow是Airbnb开源的一个用python编写的调度工具，基于有向无环图(DAG)，airflow可以定义一组有依赖的任务，按照依赖依次执行，通过python代码定义子任务，并支持各种Operate操作器，灵活性大，能满足用户的各种需求。本文主要介绍使用Airflow的python Operator调度MaxCompute 任务

一、环境准备

Python 2.7.5 PyODPS支持Python2.6以上版本
Airflow apache-airflow-1.10.7

1.安装MaxCompute需要的包

pip install setuptools>=3.0

pip install requests>=2.4.0

pip install greenlet>=0.4.10 # 可选，安装后能加速Tunnel上传。

pip install cython>=0.19.0 # 可选，不建议Windows用户安装。

pip install pyodps

注意：如果requests包冲突，先卸载再安装对应的版本

2.执行如下命令检查安装是否成功

python -c "from odps import ODPS"

二、开发步骤

1.在Airflow家目录编写python调度脚本Airiflow_MC.py

# -*- coding: UTF-8 -*- 
 
import sys 
 
import os 
 
from odps import ODPS 
 
from odps import options 
 
from airflow import DAG 
 
from airflow.operators.python_operator import PythonOperator 
 
from datetime import datetime, timedelta 
 
from configparser import ConfigParser 
 
import time 
 
reload(sys) 
 
sys.setdefaultencoding('utf8') 
 
#修改系统默认编码。 
 
# MaxCompute参数设置 
 
options.sql.settings = {'options.tunnel.limit_instance_tunnel': False, 'odps.sql.allow.fullscan': True} 
 
cfg = ConfigParser() 
 
cfg.read("odps.ini") 
 
print(cfg.items()) 
 
odps = ODPS(cfg.get("odps","access_id"),cfg.get("odps","secret_access_key"),cfg.get("odps","project"),cfg.get("odps","endpoint"))

default_args = { 
 
'owner': 'airflow', 
 
'depends_on_past': False, 
 
'retry_delay': timedelta(minutes=5), 
 
'start_date':datetime(2020,1,15) 
 
# 'email': ['airflow@example.com'], 
 
# 'email_on_failure': False, 
 
# 'email_on_retry': False, 
 
# 'retries': 1, 
 
# 'queue': 'bash_queue', 
 
# 'pool': 'backfill', 
 
# 'priority_weight': 10, 
 
# 'end_date': datetime(2016, 1, 1), 
 
} 
 
dag = DAG( 
 
'Airiflow_MC', default_args=default_args, schedule_interval=timedelta(seconds=30)) 
 
def read_sql(sqlfile): 
 
with io.open(sqlfile, encoding='utf-8', mode='r') as f: 
 
sql=f.read() 
 
f.closed 
 
return sql 
 
def get_time(): 
 
print '当前时间是{}'.format(time.time()) 
 
return time.time() 
 
def mc_job (): 
 
project = odps.get_project() # 取到默认项目。 
 
instance=odps.run_sql("select * from long_chinese;") 
 
print(instance.get_logview_address()) 
 
instance.wait_for_success() 
 
with instance.open_reader() as reader: 
 
count = reader.count 
 
print("查询表数据条数：{}".format(count)) 
 
for record in reader: 
 
print record 
 
return count 
 
t1 = PythonOperator ( 
 
task_id = 'get_time' , 
 
provide_context = False , 
 
python_callable = get_time, 
 
dag = dag ) 
 
t2 = PythonOperator ( 
 
task_id = 'mc_job' , 
 
provide_context = False , 
 
python_callable = mc_job , 
 
dag = dag ) 
 
t2.set_upstream(t1)

2.提交

python Airiflow_MC.py

3.进行测试

# print the list of active DAGs 
 
airflow list_dags 
 
# prints the list of tasks the "tutorial" dag_id 
 
airflow list_tasks Airiflow_MC 
 
# prints the hierarchy of tasks in the tutorial DAG 
 
airflow list_tasks Airiflow_MC --tree 
 
#测试task 
 
airflow test Airiflow_MC get_time 2010-01-16 
 
airflow test Airiflow_MC mc_job 2010-01-16