Прежде чем я начну, я прошу прощения, так как этот тип вопросов задавался раньше, но мне все еще трудно понять, как выполнить сценарий ниже.
Я начал профессионально работать с воздушным потоком и кодированием на Python в течение месяца, поэтому, пожалуйста, игнорируйте ужасно написанную функцию Python, но она в основном принимает имя строкового файла и возвращает строковое значение, которое я могу использовать для дельт.
шаги: я хочу поместить все файлы в корзину с префиксом ABC и перебрать их.
подход: ниже код
#!/usr/bin/env python
"""
"""
from datetime import datetime, timedelta
from airflow import DAG
from airflow.contrib.operators.gcs_to_bq import GoogleCloudStorageToBigQueryOperator
from airflow.contrib.operators.bigquery_operator import BigQueryOperator
from airflow.operators.bash_operator import BashOperator
from airflow.contrib.operators.gcs_to_bq import GoogleCloudStorageToBigQueryOperator
from airflow.contrib.operators.gcs_list_operator import GoogleCloudStorageListOperator
from airflow.utils.trigger_rule import TriggerRule
from airflow.operators import PythonOperator
#from airflow.contrib.hooks import gcs_hook
from airflow.contrib.sensors.gcs_sensor import GoogleCloudStoragePrefixSensor
from airflow.contrib.operators.bigquery_table_delete_operator import BigQueryTableDeleteOperator
from airflow.contrib.operators.bigquery_to_gcs import BigQueryToCloudStorageOperator
from airflow.contrib.operators.bigquery_operator import BigQueryCreateEmptyTableOperator
#import GenDeltaDate
from datetime import datetime
#from airflow.operators import InvalidDataFilterOperator
YESTERDAY = datetime.combine(
datetime.today() - timedelta(days=1), datetime.min.time())
BQ_DATASET_NAME = 'Master'
CURRENT_TIME = datetime
default_args = {
'owner': 'airflow',
'depends_on_past': False,
'start_date': YESTERDAY,
#'email': [],
'email_on_failure': False,
'email_on_retry': False,
'retries': 0,
'provide_context': True,
'dataflow_default_options': {
'project': 'project',
'zone': 'us-east1-f'
}
}
files_to_process = ['abc']
bucket = 'bucket_name'
def pull(**context):
archive(context['ti'].xcom_pull(task_ids='list_files'))
import re
def gen_delta_date(input_file,**kwargs):
# stepl1: check for file extension and remove it
idx_extension = input_file.find(".")
input_file_name = input_file[:idx_extension]
#check for 3 pairs of numeric values sperated by underscores and grab that value.
find_date_time_part = re.findall("_(\d*?_\d*?_\d*)",input_file_name)
#massaging the value by removing unneeded char's
find_date_time_part = str(find_date_time_part).split('_', 1)[-1].strip(']')
find_date_time_part = str(find_date_time_part)
find_date_time_part = re.sub("'",'', find_date_time_part)
find_date_time_part_len = len(find_date_time_part)
'''
to-do:
1. need to remove hard coded length value and pass as a parameter.
'''
if find_date_time_part_len == 15:
#Splitting the transformed input file name based on _ and save it into a list
x = [a for a in find_date_time_part.split('_') if a]
#get the date time part from the list i.e split at underscore
x = (' '.join(x[-2:]))
#print(x)
#Using strptime to parse the string value as datetime object here our date format is YYYYMMDD hhmiss
dt_obj = datetime.strptime(x, "%Y%m%d %H%M%S")
# use strftime to format the date object into desired format in our case YYYY-MM-DD hh:mi:ss
final_date_formatted = dt_obj.strftime("%Y-%m-%d %H:%M:%S")
#print(type(find_date_time_part))
return final_date_formatted
else:
print("Error: Input filename does not match the naming conventions:The input file naming format shoud be *xx_YYYYMMDD_hhmiss for proper parsing xx is numeric value here {0}_{1}".format(find_date_time_part_len,input_file))
with DAG('Test', default_args=default_args,
schedule_interval=None,
) as dag:
for item in files_to_process:
#########################################################################
#########################################################################
##############List the files in the bucket###############################
#########################################################################
#########################################################################
GCS_File_list = GoogleCloudStorageListOperator(
task_id= 'list_files',
bucket= bucket,
prefix='ABC',
delimiter='.csv',
google_cloud_storage_conn_id='google_cloud_default',
#provide_context = True,
dag = dag
)
for idx, file in enumerate(["{{ ti.xcom_pull(task_ids='list_files') }}"]):
#print(idx)
#print(file)
Python_Task = PythonOperator(
task_id=item+'_pass_date',
provide_context=True,
python_callable=gen_delta_date,
op_kwargs={'input_file':file},
trigger_rule=TriggerRule.ALL_SUCCESS,
#provide_context = True,
#xcom_push=True,
dag=dag
)
sql_task = BigQueryOperator(
task_id='query',
sql='test.sql',
destination_dataset_table='{0}.list_test'.format(BQ_DATASET_NAME),
bigquery_conn_id='bigquery_default',
use_legacy_sql=False,
trigger_rule=TriggerRule.ALL_SUCCESS,
provide_context=True,
create_disposition = 'CREATE_IF_NEEDED',
write_disposition = 'WRITE_APPEND'
)
#Orchestration.
GCS_File_list >> Python_Task >> sql_task
Но после проверки я вижу, что имя файла, переданное функции python, не является шаблоном и передается как строка xcom.pull
после проведения некоторого исследования и обнаружения точно такого же кода, а также причин, указывающих, почему это не работает. ссылка: [воздушный поток не может перебирать список xcom_pull с помощью GoogleCloud Operatos
В приведенном выше сообщении было упомянуто использование вложенных тегов и достижение функциональности, но скажем, если у меня есть задача GCS_File_list в качестве вложенного тега, как мне вернуть значения в виде списка обратно в мой основной тег, а затем использовать список файлов и затем я могу перебрать файлы для запуска Python_Task и sql_task.
Насколько я понимаю, я должен использовать "{{ti.xcom_pull (task_ids = 'list_files')}}" внутри оператора, а не то, что я сделал в приведенном выше коде (для idx, файл в перечислении (["{{ ti.xcom_pull (task_ids = 'list_files')}} "]) то как я могу сохранить значение в виде списка.
Любые указатели или советы очень ценятся.
Спасибо.