我BigQueryOperator
在 Google Cloud Composer 上的 Airflow DAG 中广泛使用。
对于更长的查询,最好将每个查询放在它自己的.sql
文件中,而不是用它弄乱 DAG。正如您在文档中看到的那样,Airflow 似乎支持所有 SQL 查询运算符,包括 BigQueryOperator 。
我的问题:在模板文件中编写了我的 sql 语句后.sql
,如何将其添加到 Google Cloud Composer 并在 DAG 中引用它?
我BigQueryOperator
在 Google Cloud Composer 上的 Airflow DAG 中广泛使用。
对于更长的查询,最好将每个查询放在它自己的.sql
文件中,而不是用它弄乱 DAG。正如您在文档中看到的那样,Airflow 似乎支持所有 SQL 查询运算符,包括 BigQueryOperator 。
我的问题:在模板文件中编写了我的 sql 语句后.sql
,如何将其添加到 Google Cloud Composer 并在 DAG 中引用它?
在谷歌搜索并找到这个相关问题之后。我找到了一种方法来完成这项工作(尽管这不是理想的解决方案,我们将看到)。这是一个包含三个部分的工作示例:
gcloud
将模板上传到正确位置所需的命令。(1) sql 模板文件
这只是一个文件名以.sql
扩展名结尾的文本文件。假设这个文件被调用my-templated-query.sql
并包含:
SELECT COUNT(1)
FROM mytable
WHERE _PARTITIONTIME = TIMESTAMP('{{ ds }}')
(2)引用 DAG 文件中的模板 要引用此模板,请创建如下操作符:
count_task = BigQueryOperator(
task_id='count_rows',
sql='/my-templated-query.sql')
(3)将模板文件添加到 Google Cloud Composer 原来,airflow 默认在 dags 文件夹中查找模板文件。要将我们的模板文件上传到 dags 文件夹,我们运行
gcloud beta composer environments storage dags import --environment my-env-name --location us-central1 --source path/to/my-templated-query.sql
您必须相应地替换环境名称、位置和源路径。
将所有这些模板上传到 dag 文件夹似乎并不正确。更好的 Airflow 做法是将模板放在它们自己的文件夹中,并在创建 DAG 时指定指向它template_searchpath
的参数。但是,我不确定如何使用 Google Cloud Composer 执行此操作。
更新:我意识到可以将子文件夹放在 DAG 文件夹中,这对于组织大量 SQL 模板很有用。假设我DAG_FOLDER/dataset1/table1.sql
在 BigQueryOperator 中放了一个 SQL 模板文件,然后可以使用sql=/dataset1/table1.sql
. 如果您有一个包含大量文件的子文件夹和许多其他子文件夹,您还可以使用dag import
上面显示的 I 递归上传整个子文件夹 - 只需将其指向子文件夹即可。
我找到了解决这个问题的理想方法。在您的 dag 声明中,您可以设置template_searchpath
Airflow 查找 jinja 模板文件的默认路径。
为了使它在您的 Cloud Composer 实例中工作,您必须将其设置为以下
dag = DAG(
...
template_searchpath=["/home/airflow/gcs/plugins"],
)
请注意,我在此示例中使用了 plugins 文件夹。您可以改用您的数据文件夹或您希望在存储桶中包含的任何文件夹。
我们最近使用类似的策略解决了这个问题。步骤是:
BigQueryOperator
.这是一个最小的解决方案:
from airflow.operators import bash_operator
from airflow.contrib.operators import bigquery_operator
with models.DAG(
'bigquery_dag',
schedule_interval = None ,
template_searchpath = ['/home/airflow/gcs/data/repo/queries/'],
default_args = default_dag_args
) as dag:
t1_clean_repo = bash_operator.BashOperator(
task_id = 'clean_repo',
bash_command = 'rm -rf /home/airflow/gcs/data/repo'
)
clone_command = """
gcloud source repos clone repo --project=project_id
cp -R repo /home/airflow/gcs/data
"""
t2_clone_repo = bash_operator.BashOperator(
task_id='clone_repo',
bash_command=clone_command
)
t3_query = bigquery_operator.BigQueryOperator(
task_id='query',
sql= 'query.sql',
use_legacy_sql = False,
bigquery_conn_id='conn_id'
)
我们在这里利用了一些重要的概念:
git clone
的文件权限。template_searchpath
在 DAG 参数中设置 ,扩展搜索范围以将data
目录包含在 Cloud Storage Bucket 中。