- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我想创建动态数量的任务,同时考虑到在上一个任务中读取 CSV 时获得的 block 数量。除此之外,我想同时运行所有动态任务,并在完成后运行最终任务。所有这些都在同一个 DAG 内。
为了使“图像”更清晰,我创建了一个图表:
代码:
#python imports
import awswrangler as wr
import boto3
from datetime import datetime
#airflow imports
from airflow import DAG
from airflow.models import Variable
from airflow.operators.python_operator import PythonOperator
# First PythonOperator
def read_csv(s3_dir,client_s3,**kwargs):
df_list = wr.s3.read_csv(s3_dir, sep='|', chunksize = 100,boto3_session = client_s3)
intermediate_dir = Variable.get("s3_intermediate_dir")
for idx, df in enumerate(df_list):
wr.s3.to_csv(df,intermediate_dir + "intermediate_{}".format(idx))
ti.xcom_push(key='number_of_chunks', value=len(df_list))
# * PythonOperator
def transform_dataframes(s3_dir,client_s3,**kwargs):
#DO SOMETHING
# Final PythonOperator
def agg_df_one(s3_dir,client_s3,**kwargs):
#list all files
all_files = wr.s3.list_objects(s3_dir, boto3_session = client_s3)
#agg_df_one
df_list = [wr.s3.read_csv(file, sep='|', chunksize = 100,boto3_session = client_s3) for file in all_files]
final_df = pd.concat(df_list, axis=0, ignore_index=True)
now = datetime.now()
dt_string = now.strftime("%d/%m/%Y-%H")
#save final s3
final_dir = Variable.get("s3_final_dir")
wr.s3.to_csv(final_df,final_dir + dt_string + "/final_df.csv")
#delete all
wr.s3.delete_objects(all_files,boto3_session = client_s3)
default_args = {
'owner': 'airflow',
'depends_on_past': True,
'wait_for_downstream': True,
'retries': 0,
}
dag = DAG(
dag_id='test_parallelism_dag',
default_args=default_args,
schedule_interval='@hourly',
catchup=False,
max_active_runs=3,
oncurrency = 10,
)
client_s3 = boto3.session(aws_access_key_id = Variable.get("s3_key_id"),aws_secret_access_key = Variable.get("s3_secret_key"))
wr.s3.endpoint = Variable.get("s3_endpoint_url")
read_csv_task = PythonOperator(
task_id='read_csv_func',
python_callable=read_csv,
provide_context=True,
op_kwargs={'s3_dir':Variable.get("init_s3_dir",'client_s3':client_s3},
dag=dag
)
transform_dataframes_task = [PythonOperator(
task_id=f'test_parallelism_dag.transform_dataframe_chunk_{i}',
python_callable=transform_dataframes,
provide_context=True,
dag=dag
) for i in "{{ ti.xcom_pull(key='number_of_chunks') }}"]
agg_df_one_task = PythonOperator(
task_id='agg_df_one_func',
python_callable=agg_df_one,
provide_context=True,
trigger_rule = 'none_failed',
dag=dag
)
read_csv_task >> transform_dataframes_task >> agg_df_one_task
我的问题是,如何将 block 列表的大小传递给任务“transform_dataframes_task”以创建所有需要的任务?
感谢您的想法!
最佳答案
这在今天是不可能的,但很快就会成为可能。
我们刚刚批准了 Apache Airflow 中的 AIP( Airflow 改进提案),它将启用此模式 - https://cwiki.apache.org/confluence/display/AIRFLOW/AIP-42%3A+Dynamic+Task+Mapping并且很有可能在 Airflow 2.3 中得到实现。
关于python - 如何考虑同一 DAG 中先前任务的结果来创建动态数量的任务?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/70135958/
Task.WaitAll 方法等待所有任务,Task.WaitAny 方法等待一个任务。如何等待任意N个任务? 用例:下载搜索结果页面,每个结果都需要一个单独的任务来下载和处理。如果我使用 WaitA
我正在查看一些像这样的遗留 C# 代码: await Task.Run(() => { _logger.LogException(LogLevel.Error, mes
如何在 Linux 中运行 cron 任务? 关注此Q&A ,我有这个 cron 任务要运行 - 只是将一些信息写入 txt 文件, // /var/www/cron.php $myfile = fo
原谅我的新手问题,但我想按顺序执行三个任务并在剧本中使用两个角色: 任务 角色 任务 角色 任务 这是我到目前为止(任务,角色,任务): --- - name: Task Role Task ho
我有一个依赖于 installDist 的自定义任务 - 不仅用于执行,还依赖于 installDist 输出: project.task('run', type: JavaExec, depends
从使用 Wix 创建的 MSI 运行卸载时,我需要在尝试删除任何文件之前强行终止在后台运行的进程。主要应用程序由一个托盘图标组成,它反射(reflect)了 bg 进程监控本地 Windows 服务的
我想编写 Ant 任务来自动执行启动服务器的任务,然后使用我的应用程序的 URL 打开 Internet Explorer。 显然我必须执行 startServer先任务,然后 startApplic
使用 ASP.NET 4.5,我正在尝试使用新的 async/await 玩具。我有一个 IDataReader 实现类,它包装了一个特定于供应商的阅读器(如 SqlDatareader)。我有一个简
使用命令 gradle tasks可以得到一份所有可用任务的报告。有什么方法可以向此命令添加参数并按任务组过滤任务。 我想发出类似 gradle tasks group:Demo 的命令筛选所有任务并
除了sshexec,还有什么办法吗?任务要做到这一点?我知道您可以使用 scp 复制文件任务。但是,我需要执行其他操作,例如检查是否存在某些文件夹,然后将其删除。我想使用类似 condition 的东
假设我有字符串 - "D:\ApEx_Schema\Functions\new.sql@@\main\ONEVIEW_Integration\3" 我需要将以下内容提取到 diff 变量中 - 文档名
我需要编写一个 ant 任务来确定某个文件是否是只读的,如果是,则失败。我想避免使用自定义选择器来为我们的构建系统的性质做这件事。任何人都有任何想法如何去做?我正在使用 ant 1.8 + ant-c
这是一个相当普遍的计算机科学问题,并不特定于任何操作系统或框架。 因此,我对与在线程池上切换任务相关的开销感到有些困惑。在许多情况下,给每个作业分配自己的特定线程是没有意义的(我们不想创建太多硬件线程
我正在使用以下 Ansible playbook 一次性关闭远程 Ubuntu 主机列表: - hosts: my_hosts become: yes remote_user: my_user
如何更改 Ant 中的当前工作目录? Ant documentation没有 任务,在我看来,最好的做法是不要更改当前工作目录。 但让我们假设我们仍然想这样做——你会如何做到这一点?谢谢! 最佳答案
是否可以运行 cronjob每三天一次?或者也许每月 10 次。 最佳答案 每三天运行一次 - 或更短时间在月底运行一次。 (如果上个月有 31 天,它将连续运行 2 天。) 0 0 */3 * *
如何在 Gradle 任务中执行托管在存储库中的工具? 在我的具体情况下,我正在使用 Gradle 构建一个 Android 应用程序。我添加了一项任务,将一些 protobuf 数据从文本编码为二进
我的项目有下一个结构: Root |- A |- C (depends on A) \- B (depends on A) 对于所有子项目,我们使用自己的插件生成资源:https://githu
我设置了一个具有4个节点的Hadoop群集,其中一个充当HDFS的NameNode以及Yarn主节点。该节点也是最强大的。 现在,我分发了2个文本文件,一个在node01(名称节点)上,一个在node
在 TFS 2010 中为多个用户存储任务的最佳方式是什么?我只能为一项任务分配一个。 (例如:当我计划向所有开发人员演示时) (这是一个 Scrum Msf 敏捷项目,其中任务是用户故事的一部分)
我是一名优秀的程序员,十分优秀!