Apache Zeppelin结合Apache Airflow使用1

Apache Zeppelin结合Apache Airflow使用1

---

前言

之前学了Zeppelin的使用，今天开始结合Airflow串任务。

Apache Airflow和Apache Zeppelin是两个不同的工具，各自用于不同的目的。Airflow用于编排和调度工作流，而Zeppelin是一个交互式数据分析和可视化的笔记本工具。虽然它们有不同的主要用途，但可以结合使用以满足一些复杂的数据处理和分析需求。

下面是一些结合使用Airflow和Zeppelin的方式：

1. Airflow调度Zeppelin Notebooks:

   • 使用Airflow编写调度任务，以便在特定时间或事件触发时运行Zeppelin笔记本。
   • 在Airflow中使用Zeppelin的REST API或CLI命令来触发Zeppelin笔记本的执行。

2. 数据流管道:

   • 使用Airflow编排数据处理和转换任务，例如从数据源提取数据、清理和转换数据。
   • 在Zeppelin中创建笔记本，用于进一步的数据分析、可视化和报告生成。
   • Airflow任务完成后，触发Zeppelin笔记本执行以基于最新数据执行分析。

3. 参数传递:

   • 通过Airflow参数传递，将一些参数值传递给Zeppelin笔记本，以便在不同任务之间共享信息。
   • Zeppelin笔记本可以从Airflow任务中获取参数值，以适应特定的数据分析需求。

4. 日志和监控:

   • 使用Airflow监控工作流的运行情况，查看任务的日志和执行状态。
   • 在Zeppelin中记录和可视化Airflow工作流的关键指标，以获得更全面的工作流性能洞察。

5. 整合数据存储:

   • Airflow可以用于从不同数据源中提取数据，然后将数据传递给Zeppelin进行进一步的分析。
   • Zeppelin可以使用Airflow任务生成的数据，进行更深入的数据挖掘和分析。

结合使用Airflow和Zeppelin能够充分发挥它们各自的优势，实现更全面、可控和可视化的数据处理和分析工作流。

---

一、安装Airflow

安装参考：
https://airflow.apache.org/docs/apache-airflow/stable/start.html

CentOS 7.9安装后启动会报错，还需要配置下sqlite，参考：https://airflow.apache.org/docs/apache-airflow/2.8.0/howto/set-up-database.html#setting-up-a-sqlite-database

[root@slas bin]# airflow standalone
Traceback (most recent call last):
  File "/root/.pyenv/versions/3.9.10/bin/airflow", line 5, in <module>
    from airflow.__main__ import main
  File "/root/.pyenv/versions/3.9.10/lib/python3.9/site-packages/airflow/__init__.py", line 52, in <module>
    from airflow import configuration, settings
  File "/root/.pyenv/versions/3.9.10/lib/python3.9/site-packages/airflow/configuration.py", line 2326, in <module>
    conf.validate()
  File "/root/.pyenv/versions/3.9.10/lib/python3.9/site-packages/airflow/configuration.py", line 718, in validate
    self._validate_sqlite3_version()
  File "/root/.pyenv/versions/3.9.10/lib/python3.9/site-packages/airflow/configuration.py", line 824, in _validate_sqlite3_version
    raise AirflowConfigException(
airflow.exceptions.AirflowConfigException: error: SQLite C library too old (< 3.15.0). See https://airflow.apache.org/docs/apache-airflow/2.8.0/howto/set-up-database.html#setting-up-a-sqlite-database

二、使用步骤

1.目标

我想做个简单的demo，包括两个节点，实现如图所示功能，读取csv，去重：

csv文件输入在airflow上实现，去重在zeppelin上实现。

2.编写DAG

先实现extract_data_script.py，做个简单的读取csv指定列数据写入新的csv文件。

import argparse
import pandas as pd

def extract_and_write_data(date, output_csv, columns_to_extract):
    # 读取指定列的数据
    csv_file_path = f"/home/works/datasets/data_{
     
     date}.csv"
    df = pd.read_csv(csv_file_path, usecols=columns_to_extract)

    # 将数据写入新的 CSV 文件
    df.to_csv(output_csv, index=False)

if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument("--date", type