大数据调度平台 Airflow（五）：Airflow 使用

关注

原创最新推荐文章于 2025-10-03 20:01:48 发布 2.5k 阅读 AI 写同款· GEO 优化 ›

【Airflow】光速入门指南 Airflow中最为关键的概念就是DAG，中文名称是有向无环图(Directed Acyclic Graph)一个DAG代表着一个较为完整的流程，其中的组成部分是执行不同步骤的Task。如果说DAG是一条珍珠项链，那么TASK就是其中的珍珠。珍珠项链可以有不同的形态、数量和组合方式，DAG和TASK也是同理。#方式一：类的实例化test_task = PythonOperator( #以PythonOperator为例，也可以定义使用其他的Operator。阅读详情

Airflow 使用

上文说到使用 Airflow 进行任务调度大体步骤如下：

创建 python 文件，根据实际需要，使用不同的 Operator
在 python 文件不同的 Operator 中传入具体参数，定义一系列 task
在 python 文件中定义 Task 之间的关系，形成 DAG
将 python 文件上传执行，调度 DAG，每个 task 会形成一个 Instance
使用命令行或者 WEBUI 进行查看和管理

以上 python 文件就是 Airflow python 脚本，使用代码方式指定 DAG 的结构

一、Airflow 调度 Shell 命令

下面我们以调度执行 shell 命令为例，来讲解 Airflow 使用。

1.首先我们需要创建一个 python 文件，导入需要的类库

# 导入 DAG 对象，后面需要实例化DAG对象from airflow import DAG
# 导入BashOperator Operators,我们需要利用这个对象去执行流程from airflow.operators.bash import BashOperator

复制代码

注意：以上代码可以在开发工具中创建，但是需要在使用的 python3.7 环境中导入安装 Airflow 包。

D:\ProgramData\Anaconda3\envs\python37\Scripts>pip install apache-airflow==2.1.3 -i https://pypi.tuna.tsinghua.edu.cn/simple

复制代码

2.实例化 DAG

from datetime import datetime, timedelta
# default_args中定义一些参数，在实例化DAG时可以使用，使用python dic 格式定义default_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2022, 3, 25),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}
dag = DAG(    dag_id = 'myairflow_execute_bash', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = timedelta(days=1) # 定义DAG运行的频率,可以配置天、周、小时、分钟、秒、毫秒)

复制代码

注意：

实例化 DAG 有三种方式

第一种方式：

with DAG("my_dag_name") as dag:    op=XXOperator(task_id="task")

复制代码

第二种方式（以上采用这种方式）：

my_dag = DAG("my_dag_name")op = XXOperator(task_id="task", dag=my_dag)

复制代码

第三种方式：

@dag(start_date=days_ago(2))def generate_dag():    op = XXOperator(task_id="task")dag = generate_dag()

复制代码

baseoperator 基础参数说明：

可以参照：

http://airflow.apache.org/docs/apache-airflow/stable/_api/airflow/models/baseoperator/index.html#module-airflow.models.baseoperator查看baseopartor中更多参数。

DAG 参数说明

可以参照：

http://airflow.apache.org/docs/apache-airflow/stable/_api/airflow/models/dag/index.html

查看 DAG 参数说明，也可以直接在开发工具点击 DAG 进入源码看下对应参数有哪些。

3、定义 Task

当实例化 Operator 时会生成 Task 任务，从一个 Operator 中实例化出来对象的过程被称为一个构造方法，每个构造方法中都有“task_id”充当任务的唯一标识符。

下面我们定义三个 Operator，也就是三个 Task，每个 task_id 不能重复。

# operator 支持多种类型， 这里使用 BashOperatorfirst = BashOperator(    task_id='first',    bash_command='echo "run first task"',    dag=dag)
middle = BashOperator(    task_id='middle',    bash_command='echo "run middle task"',    dag=dag)
last = BashOperator(    task_id='last',    bash_command='echo "run last task"',    dag=dag,    retries=3)

复制代码

注意：

每个 operator 中可以传入对应的参数，覆盖 DAG 默认的参数，例如：last task 中“retries”=3 就替代了默认的 1。任务参数的优先规则如下：①.显示传递的参数 ②.default_args 字典中存在的值③.operator 的默认值（如果存在）。
BashOperator 使用方式参照：http://airflow.apache.org/docs/apache-airflow/stable/howto/operator/bash.html#howto-operator-bashoperator

4、设置 task 依赖关系

#使用 set_upstream、set_downstream 设置依赖关系,不能出现环形链路，否则报错# middle.set_upstream(first) # middle会在first执行完成之后执行# last.set_upstream(middle) # last 会在 middle执行完成之后执行
#也可以使用位移符来设置依赖关系first >> middle >>last # first 首先执行，middle次之，last最后# first >> [middle,last] # first首先执行，middle ,last并行执行

复制代码

注意：当执行脚本时，如果在 DAG 中找到一条环形链路（例如：A->B->C-A）会引发异常。更多 DAG task 依赖关系可参照官网：http://airflow.apache.org/docs/apache-airflow/stable/concepts/dags.html#task-dependencies

5、上传 python 配置脚本

到目前为止，python 配置如下：

# 导入 DAG 对象，后面需要实例化DAG对象from airflow import DAG
# 导入BashOperator Operators,我们需要利用这个对象去执行流程from airflow.example_dags.example_bash_operator import dag
from airflow.operators.bash import BashOperator
from datetime import datetime, timedelta
# default_args中定义一些参数，在实例化DAG时可以使用，使用python dic 格式定义default_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2021, 9, 4),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}
dag = DAG(    dag_id = 'myairflow_execute_bash', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = timedelta(days=1) # 定义DAG运行的频率,可以配置天、周、小时、分钟、秒、毫秒)
# operator 支持多种类型， 这里使用 BashOperatorfirst = BashOperator(    task_id='first',    bash_command='echo "run first task"',    dag=dag)
middle = BashOperator(    task_id='middle',    bash_command='echo "run middle task"',    dag=dag)
last = BashOperator(    task_id='last',    bash_command='echo "run last task"',    dag=dag,    retries=3)
#使用 set_upstream、set_downstream 设置依赖关系,不能出现环形链路，否则报错# middle.set_upstream(first) # middle会在first执行完成之后执行# last.set_upstream(middle) # last 会在 middle执行完成之后执行
#也可以使用位移符来设置依赖关系first >> middle >>last # first 首先执行，middle次之，last最后# first >> [middle,last] # first首先执行，middle ,last并行执行

复制代码

将以上 python 配置文件上传到 AIRFLOWHOME/dags 目录下，默认 AIRFLOW_HOME 为安装节点的“/root/airflow”目录，当前目录下的 dags 目录需要手动创建。

6、重启 Airflow

“ps aux|grep webserver”和“ps aux|grep scheduler”找到对应的 airflow 进程杀掉，重新启动 Airflow。重启之后，可以在 airflow webui 看到对应的 DAG ID ”myairflow_execute_bash”。

7、执行 airflow

按照如下步骤执行 DAG，首先打开工作流，然后“Trigger DAG”执行，随后可以看到任务执行成功。

查看 task 执行日志：

二、DAG 调度触发时间

在 Airflow 中，调度程序会根据 DAG 文件中指定的“start_date”和“schedule_interval”来运行 DAG。特别需要注意的是 Airflow 计划程序在计划时间段的末尾触发执行 DAG，而不是在开始时刻触发 DAG，例如：

default_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2022, 3, 25),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}
dag = DAG(    dag_id = 'myairflow_execute_bash', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = timedelta(days=1) # 定义DAG运行的频率,可以配置天、周、小时、分钟、秒、毫秒)

复制代码

以上配置的 DAG 是从世界标准时间 2022 年 3 月 24 号开始调度，每隔 1 天执行一次，这个 DAG 的具体运行时间如下图：

以上表格中以第一条数据为例解释，Airflow 正常调度是每天 00:00:00 ，假设当天日期为 2022-03-24，正常我们认为只要时间到了 2022-03-24 00:00:00 就会执行，改调度时间所处于的调度周期为 2022-03-24 00:00:00 ~ 2022-03-25 00:00:00 ，在 Airflow 中实际上是在调度周期末端触发执行，也就是说 2022-03-24 00:00:00 自动触发执行时刻为 2022-03-25 00:00:00。

如下图，在 airflow 中，“execution_date”不是实际运行时间，而是其计划周期的开始时间戳。例如：execution_date 是 2021-09-04 00:00:00 的 DAG 自动调度运行的实际时间为 2021-09-05 00:00:00。当然除了自动调度外，我们还可以手动触发执行 DAG 执行，要判断 DAG 运行时计划调度（自动调度）还是手动触发，可以查看“Run Type”。

三、DAG catchup 参数设置

在 Airflow 的工作计划中，一个重要的概念就是 catchup（追赶），在实现 DAG 具体逻辑后，如果将 catchup 设置为 True（默认就为 True）,Airflow 将“回填”所有过去的 DAG run，如果将 catchup 设置为 False,Airflow 将从最新的 DAG run 时刻前一时刻开始执行 DAG run，忽略之前所有的记录。

例如：现在某个 DAG 每隔 1 分钟执行一次，调度开始时间为 2001-01-01 ，当前日期为 2021-10-01 15:23:21，如果 catchup 设置为 True，那么 DAG 将从 2001-01-01 00:00:00 开始每分钟都会运行当前 DAG。如果 catchup 设置为 False，那么 DAG 将从 2021-10-01 15:22:20（当前 2021-10-01 15:23:21 前一时刻）开始执行 DAG run。

举例：有 first ,second,third 三个 shell 命令任务，按照顺序调度，每隔 1 分钟执行一次，首次执行时间为 2000-01-01。

设置 catchup 为 True（默认），DAG python 配置如下：

from airflow import DAG
from airflow.operators.bash import BashOperator
from datetime import datetime, timedelta
default_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2001, 1, 1),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}dag = DAG(    dag_id = 'catchup_test1 ', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = timedelta(minutes=1), # 定义DAG运行的频率,可以配置天、周、小时、分钟、秒、毫秒    catchup=True # 执行DAG时，将开始时间到目前所有该执行的任务都执行，默认为True)
first = BashOperator(    task_id='first',    bash_command='echo "run first task"',    dag=dag)middle = BashOperator(    task_id='second',    bash_command='echo "run second task"',    dag=dag)last = BashOperator(    task_id='third',    bash_command='echo "run third task"',    dag=dag,    retries=3)first >> middle >>last

复制代码

上传 python 配置文件到 $AIRFLOW_HOME/dags 下，重启 airflow,DAG 执行调度如下：

设置 catchup 为 False,DAG python 配置如下：

from airflow import DAG
from airflow.operators.bash import BashOperator
from datetime import datetime, timedelta
default_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2001, 1, 1),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}dag = DAG(    dag_id = 'catchup_test2', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = timedelta(minutes=1), # 定义DAG运行的频率,可以配置天、周、小时、分钟、秒、毫秒    catchup=False # 执行DAG时，将开始时间到目前所有该执行的任务都执行，默认为True)
first = BashOperator(    task_id='first',    bash_command='echo "run first task"',    dag=dag)middle = BashOperator(    task_id='second',    bash_command='echo "run second task"',    dag=dag)last = BashOperator(    task_id='third',    bash_command='echo "run third task"',    dag=dag,    retries=3)first >> middle >>last

复制代码

上传 python 配置文件到 $AIRFLOW_HOME/dags 下，重启 airflow,DAG 执行调度如下：

有两种方式在 Airflow 中配置 catchup:

全局配置

在 airflow 配置文件 airflow.cfg 的 scheduler 部分下，设置 catchup_by_default=True（默认）或 False，这个设置是全局性的设置。

DAG 文件配置

在 python 代码配置中设置 DAG 对象的参数：dag.catchup=True 或 False。

dag = DAG(    dag_id = 'myairflow_execute_bash',default_args = default_args,    catchup=False,    schedule_interval = timedelta(days=1))

复制代码

四、DAG 调度周期设置

每个 DAG 可以有或者没有调度执行周期，如果有调度周期，我们可以在 python 代码 DAG 配置中设置“schedule_interval”参数来指定调度 DAG 周期，可以通过以下三种方式来设置。

预置的 Cron 调度

Airflow 预置了一些 Cron 调度周期，可以参照：

DAG Runs — Airflow Documentation，如下图：

在 python 配置文件中使用如下：

default_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2021, 9, 4),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}
dag = DAG(    dag_id = 'cron_test', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = '@daily' # 使用预置的Cron调度,每天0点0分调度

复制代码

Cron

这种方式就是写 Linux 系统的 crontab 定时任务命令，可以在https://crontab.guru/网站先生成对应的定时调度命令，其格式如下：

minute  hour  day  month  weekminute:表示分钟，可以从0~59之间的任意整数。hour:表示小时，可以是从0到23之间的任意整数。day:表示日期，可以是1到31之间的任何整数。month:表示月份，可以是从1到12之间的任何整数。week:表示星期几，可以是从0到7之间的任何整数，这里的0或7代表星期日。

复制代码

以上各个字段中还可以使用特殊符号代表不同意思：

星号（*）：代表所有可能的值，例如month字段如果是星号，则表示在满足其它字段的制约条件后每月都执行该命令操作。逗号（,）：可以用逗号隔开的值指定一个列表范围，例如，”1,2,5,7,8,9”中杠（-）：可以用整数之间的中杠表示一个整数范围，例如”2-6”表示”2,3,4,5,6”正斜线（/）：可以用正斜线指定时间的间隔频率,步长，例如”0-23/2”表示每两小时执行一次。

复制代码

在 python 配置文件中使用如下：

default_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2021, 9, 4),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}
dag = DAG(    dag_id = 'cron_test', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = '* * * * *' # 使用Crontab 定时任务命令，每分钟运行一次)

复制代码

datetime.timedelta

timedelta 是使用 python timedelta 设置调度周期，可以配置天、周、小时、分钟、秒、毫秒。在 python 配置文件中使用如下：

default_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2021, 9, 4),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}
dag = DAG(    dag_id = 'cron_test', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = timedelta(minutes=5) # 使用python timedelta 设置调度周期，可以配置天、周、小时、分钟、秒、毫秒)

复制代码

五、DAG 任务依赖设置

1、DAG 任务依赖设置一

DAG 调度流程图

task 执行依赖

A >> B >>C

复制代码

完整代码

'''airflow 任务依赖关系设置一
'''from airflow import DAG
from airflow.operators.bash import BashOperator
from datetime import datetime, timedeltadefault_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2021, 9, 22),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}
dag = DAG(    dag_id = 'dag_relation_1', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = timedelta(minutes=1) # 定义DAG运行的频率,可以配置天、周、小时、分钟、秒、毫秒)

A = BashOperator(    task_id='A',    bash_command='echo "run A task"',    dag=dag)
B = BashOperator(    task_id='B',    bash_command='echo "run B task"',    dag=dag)
C = BashOperator(    task_id='C',    bash_command='echo "run C task"',    dag=dag,    retries=3)
A >> B >>C

复制代码

2、DAG 任务依赖设置二

DAG 调度流程图

task 执行依赖

[A,B] >>C >>D

复制代码

完整代码

'''airflow 任务依赖关系设置二
'''from airflow import DAG
from airflow.operators.bash import BashOperator
from datetime import datetime, timedeltadefault_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2021, 9, 22),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}
dag = DAG(    dag_id = 'dag_relation_2', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = timedelta(minutes=1) # 定义DAG运行的频率,可以配置天、周、小时、分钟、秒、毫秒)

A = BashOperator(    task_id='A',    bash_command='echo "run A task"',    dag=dag)
B = BashOperator(    task_id='B',    bash_command='echo "run B task"',    dag=dag)
C = BashOperator(    task_id='C',    bash_command='echo "run C task"',    dag=dag,    retries=3)
D = BashOperator(    task_id='D',    bash_command='echo "run D task"',    dag=dag)
[A,B] >>C >>D

复制代码

3、DAG 任务依赖设置三

DAG 调度流程图

task 执行依赖

[A,B,C] >>D >>[E,F]

完整代码

'''airflow 任务依赖关系设置三
'''from airflow import DAG
from airflow.operators.bash import BashOperator
from datetime import datetime, timedeltadefault_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2021, 9, 22),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}
dag = DAG(    dag_id = 'dag_relation_3', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = timedelta(minutes=1) # 定义DAG运行的频率,可以配置天、周、小时、分钟、秒、毫秒)

A = BashOperator(    task_id='A',    bash_command='echo "run A task"',    dag=dag)
B = BashOperator(    task_id='B',    bash_command='echo "run B task"',    dag=dag)
C = BashOperator(    task_id='C',    bash_command='echo "run C task"',    dag=dag,    retries=3)
D = BashOperator(    task_id='D',    bash_command='echo "run D task"',    dag=dag)
E = BashOperator(    task_id='E',    bash_command='echo "run E task"',    dag=dag)
F = BashOperator(    task_id='F',    bash_command='echo "run F task"',    dag=dag)
[A,B,C] >>D >>[E,F]

4、DAG 任务依赖设置四

DAG 调度流程图

task 执行依赖

A >>B>>C>>DA >>E>>

完整代码

'''airflow 任务依赖关系设置四
'''from airflow import DAG
from airflow.operators.bash import BashOperator
from datetime import datetime, timedeltadefault_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2021, 9, 22),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}
dag = DAG(    dag_id = 'dag_relation_4', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = timedelta(minutes=1) # 定义DAG运行的频率,可以配置天、周、小时、分钟、秒、毫秒)

A = BashOperator(    task_id='A',    bash_command='echo "run A task"',    dag=dag)
B = BashOperator(    task_id='B',    bash_command='echo "run B task"',    dag=dag)
C = BashOperator(    task_id='C',    bash_command='echo "run C task"',    dag=dag,    retries=3)
D = BashOperator(    task_id='D',    bash_command='echo "run D task"',    dag=dag)
E = BashOperator(    task_id='E',    bash_command='echo "run E task"',    dag=dag)
F = BashOperator(    task_id='F',    bash_command='echo "run F task"',    dag=dag)
A >>[B,C,D]A >>[E,F]

5、DAG 任务依赖设置五

DAG 调度流程图

task 执行依赖

A >>B>>EC >>D>>E

完整代码

'''airflow 任务依赖关系设置五
'''from airflow import DAG
from airflow.operators.bash import BashOperator
from datetime import datetime, timedeltadefault_args = {    'owner': 'airflow', # 拥有者名称    'start_date': datetime(2021, 9, 22),  # 第一次开始执行的时间，为 UTC 时间    'retries': 1,  # 失败重试次数    'retry_delay': timedelta(minutes=5),  # 失败重试间隔}
dag = DAG(    dag_id = 'dag_relation_5', #DAG id ,必须完全由字母、数字、下划线组成    default_args = default_args, #外部定义的 dic 格式的参数    schedule_interval = timedelta(minutes=1) # 定义DAG运行的频率,可以配置天、周、小时、分钟、秒、毫秒)

A = BashOperator(    task_id='A',    bash_command='echo "run A task"',    dag=dag)
B = BashOperator(    task_id='B',    bash_command='echo "run B task"',    dag=dag)
C = BashOperator(    task_id='C',    bash_command='echo "run C task"',    dag=dag,    retries=3)
D = BashOperator(    task_id='D',    bash_command='echo "run D task"',    dag=dag)
E = BashOperator(    task_id='E',    bash_command='echo "run E task"',    dag=dag)
A >>B>>EC >>D>>E