Definiendo dependencias entre tareas

Clase 14 de 29 • Curso de Fundamentos de Apache Airflow

Gerardo Mayel Fernández Alamilla

student•

también se pueden combinar:

from airflow import DAG
from airflow.operators.python import PythonOperator
from airflow.operators.bash import BashOperator
from datetime import datetime

def print_hello():
    return print('hello world with python in airflow')

with DAG(dag_id='dependencias',
         description='DAG con dependencias',
         schedule_interval='@once',
         start_date=datetime(2022, 7, 1)) as dag:

    t1 = PythonOperator(task_id='t1_primer_task_python',
                        python_callable=print_hello)

    t2 = BashOperator(task_id='t2_task_bash',
                      bash_command='echo "Tarea 2"')

    t3 = BashOperator(task_id='t3_task_bash', bash_command='echo "Tarea 3"')

    t4 = BashOperator(task_id='t4_task_bash', bash_command='echo "Tarea 4"')

    t1.set_downstream([t2, t3])
    [t2, t3] >> t4

Ezequiel Saldivar

student•

no tiene sentido hacer eso.

Daniel Santiago Merchán

student•

Ya se siente el poder de Airflow!

Eric Bellet

teacher•

Excelente Daniel 😁

Daniel Olave

student•

Así se vio mi ejemplo realizado con el material del curso

Oscar Correcha

student•

No me funciono, debi usar un DummyOperator, alguien sabe el por que? Gracias

Eric Bellet

teacher•

¿Qué error obtuviste?

Oscar Gama

student•

from airflow import DAG
from airflow.operators.python_operator import PythonOperator
from datetime import datetime

def print_hello():
    print("Hello Oscar :)")

with DAG(dag_id="python_operator",
         description="Nuestro primer DAG utilizando Python Operator",
         schedule_interval="@once",
         start_date=datetime(2023, 10, 18)) as dag:
    t1 = PythonOperator(task_id="hello_with_Python",
                        python_callable=print_hello)

Marco Andres Loaiza Delgado

student•

con 5 tareas: --> t3 t1 ---> t2 |-->t5 --> t4

from airflow import DAG
from airflow.operators.python import PythonOperator
from airflow.operators.bash import BashOperator
from datetime import datetime
import time

def prints():
    timestamp = int(time.time())
    # Print the timestamp
    print("Current timestamp:", timestamp)

def prints2():
    time.sleep(3)
    timestamp = int(time.time())
    # Print the timestamp
    print("Current timestamp2:", timestamp)


with DAG(
            dag_id='dependencias',
            description='our first DAG making depencies between taks',
            schedule_interval='@once',
            start_date=datetime(2023,8,3)
        ) as dag:
    
    t1=PythonOperator(task_id='task1',
                      python_callable=prints
                      )
    t2=BashOperator(task_id="task2",
                    bash_command="echo 'Hello platzis people'"
                    )
    t3=PythonOperator(task_id='task3',
                      python_callable=prints2
                      )
    t4=BashOperator(task_id="task4",
                    bash_command="echo 'task4'"
                    )
    t5=BashOperator(task_id="task5",
                    bash_command="echo 'task5'"
                    )
    
    """
              \--> t3
    t1 ---> t2
              \--> t4
    """
    #t1.set_downstream(t2)
    #t2.set_downstream([t3,t4])

    """
              \--> t3
    t1 ---> t2       |-->t5
              \--> t4
    """

    t1 >> t2  >> [t3,t4] >> t5

Marvin Avila Burgos

student•

Dependencies are a powerful and popular Airflow feature. In Airflow, your pipelines are defined as Directed Acyclic Graphs (DAGs). Each task is a node in the graph and dependencies are the directed edges that determine how to move through the graph. Because of this, dependencies are key to following data engineering best practices because they help you define flexible pipelines with atomic tasks.

Throughout this guide, the following terms are used to describe task dependencies:

Upstream task: A task that must reach a specified state before a dependent task can run. Downstream task: A dependent task that cannot run until an upstream task reaches a specified state.

Elias Dudamel

student•

Me gusta mucho este tipo de herramientas, se puede combinar con aws lambda y se puede hacer muchas cosas interesantes

from airflow import DAG
from airflow.operators.python import PythonOperator
from airflow.operators.bash import BashOperator
from datetime import datetime

def print_hello(country, **kwargs):
    print(f'I am processing this {country}')


with DAG(dag_id='dependecias'
        , description='Creando dependencias entre tareas'
        , start_date=datetime(2023, 6, 7)
        , schedule_interval='@once') as dag:


    t1 = PythonOperator(task_id='process_ar'
                        , python_callable=print_hello
                        , op_kwargs={'country':'AR'})

    t2 = PythonOperator(task_id='process_uy'
                        , python_callable=print_hello
                        , op_kwargs={'country':'UY'})

    t3 = BashOperator(task_id='process_mx'
                        , bash_command="echo 'processing MX'")

    t4 = BashOperator(task_id='process_co'
                        , bash_command="echo 'processing CO'")

    t1 >> [t2, t3] >> t4

Eric Bellet

teacher•

Totalmente, con AWS Lambda y Airflow hay un potencial muy grande

Elitsoft Chile

student•

Un paso más...

Alfonso Andres Zapata Guzman

student•

Poderoso:

t1 >> [t3, t4] >> t5 >> t7
t2 >> t5
t6 >> [t7, t8] >> t9

~ Por cierto, ya conectamos en LinkedIn? ~

Conectemos en LinkedIn, GitHub, Medium o Redes sociales

Freddy Norberto Montañez Gordillo

student•

Nahuel Cueliche

student•

Para ejecutar tareas en Apache Airflow en un entorno separado, debes utilizar un ejecutor que permita la distribución del trabajo. Puedes optar por el CeleryExecutor o el DaskExecutor. Estos ejecutores permiten que Airflow envíe las tareas a un cluster de trabajadores, procesando así el trabajo en máquinas distintas.

Debes configurar tu archivo airflow.cfg para especificar el executor adecuado y asegurarte de que los trabajadores estén correctamente instalados y configurados para recibir las tareas. Esto permite una separación efectiva entre el procesamiento y la ejecución de tareas en Airflow.

Camilo Andrés Rodriguez Higuera

student•

Me parece muy práctica y legible la forma de usar ambas nomenclaturas. Me recuerda a los diagramas de P&ID.

José Alberto Ortiz Vargas

student•

¿Se pueden crear dependencias entre DAGs?

Eric Bellet

teacher•

Correcto, más adelante en el curso lo hacemos. Se hace con los sensores

José Alberto Ortiz Vargas

student•

¿Cual es la diferencia entre **set_downstream **y set_upstream?

Eric Bellet

teacher•

La diferencia es como defines el orden entre las tareas, la downstream es más natural

Katerine Perdomo

student•

Tengo esta linea en mi yaml file pero continuo viendo los ejemplos, que puedo hacer para que no se sigan viendo? Gracias

 AIRFLOW__CORE__LOAD_EXAMPLES: 'false'

Eric Bellet

teacher•

Tendrías que regenerar la imagen de Docker, docker compose build

Alfonso Andres Zapata Guzman

student•

Ejecuta en consola:

docker-compose up airflow-init 
docker-compose up -d

~ Por cierto, ya conectamos en LinkedIn? ~

Conectemos en LinkedIn, GitHub, Medium o Redes sociales

Santiago Ortiz Ceballos

student•

hubiera sido util que corrieras esa tarea, en mi caso la corro y aumenta el contador de "runs" pero no se ve nada en "recent tasks" y en "graph" no muestra que se haya ejecutado nada

Eric Bellet

teacher•

Puede ser que los filtros de búsqueda no estén bien. Intenta ejecutar varios días

Randy José Agustín Montenegro Socha

student•

Resultado:

Eduard Giraldo Martínez

student•

Entendiendo un poco esto:

Procesamiento de datos segmentados: Dividir datasets grandes para procesarlos en paralelo.

Pipeline de ML: Entrenar diferentes modelos simultáneamente con los mismos datos.

Alertas y notificaciones: Enviar notificaciones a distintos canales según resultados.

Validaciones de calidad: Ejecutar diferentes controles de calidad en paralelo.

Actualizaciones de dashboards: Actualizar distintas visualizaciones tras procesar datos.

Me dio curiosidad de cómo conectar varios flujos y pues este fue el resultado:

Aqui el code

from`` airflow ``import`` DAG from`` airflow.operators.python ``import`` PythonOperator from`` airflow.operators.bash ``import`` BashOperator from`` datetime ``import`` datetime

def print_hello(): print('Hello!') with`` DAG(``dag_id`` = 'dependencia_python_bash', ``description`` = 'primer DAG creando dependencias entre task', start_date`` = datetime(2025,3,31), ``schedule_interval`` = '@once') ``as`` dag: t1 = PythonOperator(``task_id`` = 'tarea1', python_callable`` = print_hello) t2 = BashOperator(``task_id`` = 'tarea2', ``bash_command`` = 'echo "tarea2!"') t3 = BashOperator(``task_id`` = 'tarea3', ``bash_command`` = 'echo "tarea3!"') t4 = BashOperator(``task_id`` = 'tarea4', ``bash_command`` = 'echo "tarea4!"') # Nuevas tareas después de t3`` t3a = BashOperator(``task_id`` = 'tarea3a', bash_command`` = 'echo "tarea3a!"') # Nuevas tareas después de t4`` t4a = BashOperator(``task_id`` = 'tarea4a', ``bash_command`` = 'echo "tarea4a!"') t4b = BashOperator(``task_id`` = 'tarea4b', ``bash_command`` = 'echo "tarea4b!"') t4c = BashOperator(``task_id`` = 'tarea4c', ``bash_command`` = 'echo "tarea4c!"') t1 >> t2 >> [t3, t4] t3 >> [t3a, t4a] t4 >> [t4a, t4b] t4b >> t4c

Eduard Giraldo Martínez

student•

t1 >> t2 >> [t3, t4] t3 >> [t3a, t4a] t4 >> [t4a, t4b] t4b >> t4c

Anthony Isaac García Anaya

student•

¿Cuál usar?

Bitshift (>> y <<) es más limpio y más común en DAGs modernos.
set_downstream() y set_upstream() pueden ser útiles si necesitas claridad en algunos casos o cuando defines dependencias dentro de funciones.

En la práctica, se recomienda usar >> y << porque hacen el código más legible.