编排与治理

第16课:Airflow调度

数据工程实战课程 · 编排与治理阶段

⚙️ Airflow调度

Apache Airflow是最流行的工作流编排平台,通过DAG定义、调度和监控数据管道。

🐍 Python实战:核心实战

# Airflow DAG模拟
import time, random
from datetime import datetime
from collections import defaultdict

class Task:
    def __init__(self, task_id, python_callable, retries=2):
        self.task_id = task_id; self.fn = python_callable; self.retries = retries
        self.downstream = []; self.status = 'pending'; self.duration_ms = 0
    def __rshift__(self, other): self.downstream.append(other); return other
    def execute(self, context):
        start = time.perf_counter()
        for attempt in range(1, self.retries+1):
            try:
                result = self.fn(context)
                self.status = 'success'; self.duration_ms = (time.perf_counter()-start)*1000
                return result
            except Exception as e:
                if attempt == self.retries: self.status = 'failed'; raise
                time.sleep(0.1 * attempt)

class DAG:
    def __init__(self, dag_id, schedule_interval='@daily'):
        self.dag_id = dag_id; self.schedule = schedule_interval; self.tasks = {}
    def add_task(self, task): self.tasks[task.task_id] = task; return task
    def run(self):
        print(f"DAG: {self.dag_id} ({self.schedule})")
        # Topological sort (simple)
        executed = set(); order = []
        while len(executed) < len(self.tasks):
            for tid, task in self.tasks.items():
                if tid in executed: continue
                upstream = [t.task_id for t in self.tasks.values() if tid in [d.task_id for d in t.downstream]]
                if all(u in executed for u in upstream):
                    executed.add(tid); order.append(task)
        for task in order:
            context = {'execution_date': datetime.now().isoformat()}
            try:
                task.execute(context)
                print(f"  ✅ {task.task_id}: {task.duration_ms:.0f}ms")
            except Exception as e:
                print(f"  ❌ {task.task_id}: {e}")
                break

# 构建DAG
dag = DAG('etl_pipeline', '@daily')
extract = dag.add_task(Task('extract', lambda ctx: {'records': random.randint(80,120)}))
clean = dag.add_task(Task('clean', lambda ctx: {'records': ctx.get('records',100)//2}))
transform = dag.add_task(Task('transform', lambda ctx: {'records': ctx.get('records',50)}))
load_dw = dag.add_task(Task('load_dw', lambda ctx: {'loaded': ctx.get('records',50)}))
load_es = dag.add_task(Task('load_es', lambda ctx: {'loaded': ctx.get('records',50)}))
notify = dag.add_task(Task('notify', lambda ctx: 'done'))

extract >> clean >> transform >> load_dw >> notify
transform >> load_es >> notify

dag.run()
print("✅ 验证通过 - Airflow DAG模拟运行正常")
💡 实战建议:动手实现本课代码示例,修改参数观察输出变化。生产环境还需考虑错误处理、监控告警和数据安全。

🎯 构建数据管道DAG

  1. 5个任务
  2. 条件分支
  3. 失败重试

🎯 调度策略

  1. Cron表达式
  2. 数据感知调度

🏆 第16课成就解锁

🎁 下一课预告:DAG设计模式!

📖 原理深入:数据编排与治理体系

数据编排成熟度模型

级别特征编排方式治理水平
L1cron+脚本无统一调度无治理
L2Airflow/DbtDAG编排基本质量检查
L3编排+治理一体自动依赖发现数据目录+血缘
L4AI辅助编排自适应调度主动质量治理

数据治理框架:人+流程+工具

🏆 最佳实践:数据编排与治理检查清单

🔬 深度案例:生产环境实战经验

踩坑与解决方案

在生产环境中,我们经常遇到教科书不会告诉你的问题。以下是常见的实战经验和解决方案:

监控与运维指标

指标告警阈值监控方式
管道延迟超过SLA 120%端到端时间戳追踪
数据量偏差日均偏差超过30%与历史同期对比
错误率超过0.1%错误计数/总记录数
数据新鲜度超过SLA 150%最新数据时间戳
资源利用率CPU持续>80%系统监控
⚠️ 常见反模式
💡 架构演进建议:不要一开始就追求完美架构。从MVP开始,随业务增长逐步演进。每次演进都要回答三个问题:当前瓶颈是什么?解决它的投入产出比如何?是否为后续扩展留了空间?

📚 延伸阅读与参考

推荐资源

🤔 常见问题与解答

Q1: 如何选择批处理还是流处理?

A: 根据业务延迟要求决定:秒级用流处理、分钟级用微批、小时级用批处理。大部分场景批处理足够,流处理用于实时业务场景(风控、监控、推荐)。

Q2: 数据湖会取代数据仓库吗?

A: 不会完全取代,但边界在模糊。湖仓一体(如Iceberg/Delta Lake)正在融合两者优势。未来趋势是统一存储+多引擎计算。

Q3: 初创公司如何选择数据技术栈?

A: 先用云原生服务(BigQuery/Snowflake + Fivetran + dbt + Looker),验证业务后再考虑自建。过早优化是万恶之源。

Q4: 如何说服业务方投资数据治理?

A: 用钱说话:数据质量问题的直接经济损失(错误决策、合规罚款、重复劳动)远大于治理投入。量化问题是第一步。

性能调优实战技巧

数据工程团队协作模式

角色职责交付物
数据工程师管道开发与维护数据管道、基础设施
数据分析师数据分析与报表SQL查询、BI报表
数据科学家模型与实验ML模型、实验报告
数据产品经理需求与优先级PRD、数据产品规划
数据管家数据质量与治理质量规则、数据字典
💡 职业发展建议:数据工程是一个快速发展的领域。保持学习的关键是:1)理解原理而非仅会工具;2)动手实践而非仅看文档;3)关注社区动态,了解最新趋势;4)建立个人项目,积累实战经验。

🔑 关键技术选型决策

技术选型评估框架

选择技术方案时,需要从多个维度综合评估,避免仅凭流行度或个人偏好决策:

评估维度权重评估要点
业务适配度30%是否满足功能需求?延迟/吞吐是否达标?
团队能力25%团队是否有经验?学习曲线如何?
社区生态20%社区活跃度?文档质量?第三方集成?
运维成本15%部署复杂度?监控能力?故障恢复?
成本效益10%License费用?资源消耗?扩展成本?

数据工程关键决策树

数据量级?
├── <1GB/天 → SQLite/PostgreSQL + Python脚本
├── 1-100GB/天 → 数据仓库(Snowflake/BQ) + dbt
├── 100GB-1TB/天 → Spark + 数据湖
└── >1TB/天 → Spark/Flink + 湖仓一体

延迟要求?
├── T+1 → 批处理(Spark) + Airflow
├── 小时级 → 微批(Spark Streaming) + Airflow
├── 分钟级 → 流处理(Flink) + Kafka
└── 秒级 → 纯流(Flink) + Kafka + 缓存

数据类型?
├── 纯结构化 → 数据仓库
├── 结构化+半结构化 → 湖仓一体
└── 全类型 → 数据湖 + 元数据管理
⚠️ 技术选型常见误区
💡 实战心得:好的架构不是选择最好的技术,而是选择最合适的技术组合。技术选型的目标是在满足需求的前提下,最大化团队效率和系统可维护性。记住:简单可靠胜过炫酷复杂。