airflow调度时间详解

news2024/11/15 23:53:25

⭐️ airflow调度概述

Apache Airflow 是一个开源的工作流调度和监控平台，广泛用于数据工程、ETL（提取、转换、加载）管道以及各种自动化任务。下面我将详细说明 Airflow 的调度算法。

1. DAG（有向无环图）

Airflow 的核心是 DAG（Directed Acyclic Graph），它定义了一组有序的任务，其中每个任务称为一个 “task”。DAG 是调度的基本单位，Airflow 通过 DAG 定义任务的依赖关系和执行顺序。

在这里插入图片描述

2. DAG调度器

Airflow 中的调度器（Scheduler）负责监控 DAG，决定何时触发 DAG 中的任务。

3. 调度策略（Scheduling Policy）

在 Airflow 中，调度策略定义了 DAG 应该何时被触发。调度策略通常基于以下两个因素：

时间表（Schedule Interval）: 这是一个时间间隔，定义了 DAG 被调度的频率。例如，每小时调度一次、每天调度一次等。时间表可以通过 Cron 表达式、timedelta 对象等来定义。
开始时间（Start Date）: DAG 从这个时间开始调度。start_date 与 schedule_interval 一起决定了 DAG 的首次执行时间和后续的执行时间点。

4. Catchup

默认情况下，Airflow 会自动执行所有未执行的 DAG 实例。如果你设置了一个 DAG 的 start_date 为过去的某个时间，且 schedule_interval 为每天执行一次，Airflow 会在下次调度器运行时尝试执行所有中间日期的任务，直到赶上当前日期。

如果 DAG 不是为了处理其追赶而编写的，那么可以关闭catchup。这可以通过在DAG中设置catchup=False或在配置文件中设置catchup_by_default=False来实现。关闭catchup时，调度程序仅为最新间隔创建DAG运行。

5. External Triggers

Airflow 还支持外部事件触发，例如通过 REST API 或 Sensor 任务来触发 DAG 或特定任务的执行。这个机制使得 Airflow 能够适应动态和复杂的调度需求，而不仅仅依赖于固定的时间表。

在这里插入图片描述

⭐️ airflow内部是怎样计算调度时间的

Airflow 的开始时间（start_date）和调度时间（schedule_interval）是密切相关的，理解它们之间的关系对正确配置 DAG 至关重要。

1. 开始时间（start_date）

start_date 是指 DAG 或任务首次被调度的参考时间点。它表示任务计划从何时开始执行。重要的是，Airflow 将在 start_date 后的第一个调度间隔完成时实际开始执行任务。换句话说，start_date 指的是任务应该开始考虑执行的时间，而不是实际执行的时间。

2. 调度时间（schedule_interval）

schedule_interval 是指 DAG 定期运行的时间间隔。例如，如果你设置了 schedule_interval=‘@daily’，Airflow 会每天触发一次 DAG。Airflow 调度任务的实际时间通常是 start_date 加上 schedule_interval 的长度。

3. 两者的关系

Airflow 的调度器总是会在 start_date 之后的调度间隔结束时调度任务，这意味着任务实际运行的时间通常是 start_date 加上一个 schedule_interval。

举例说明，假设你有一个 DAG，其 start_date 设置为 2024-08-14 00:00:00，schedule_interval 设置为 @daily（每天运行一次）：start_date 是 2024-08-14 00:00:00。
第一次调度的实际执行时间（即第一个 DAG run）会是 2024-08-15 00:00:00。

为什么会这样？因为 Airflow 认为每个 DAG run 是在上一个时间区间的末尾处理数据。例如，在这个例子中，2024-08-15 00:00:00 运行的是 2024-08-14 的数据。

4. 调度时间的具体计算

Airflow 采用了如下逻辑计算调度时间：

初始调度时间计算:
初始调度时间是基于 start_date 和 schedule_interval 计算得出的第一个调度时间。例如，如果 start_date 是 2024-08-14 00:00:00，schedule_interval 是 1 小时，那么第一个调度时间是 2024-08-14 01:00:00。

后续调度时间计算:
Airflow 会从 start_date 开始逐个计算调度时间，直到当前时间。例如，若 schedule_interval 是 1 小时，Airflow 会逐小时计算每个调度时间点。

Missed Schedules（错过的调度）:
如果一个 DAG 处于 paused 状态或因为某些原因未被调度，Airflow 会在 DAG 恢复为 active 状态时补齐所有错过的调度时间点。

5. 实际运行中的情况

在实际应用中，start_date 和 schedule_interval 的组合可能会导致以下情况：
迟到执行：由于 schedule_interval 的存在，第一次 DAG 任务通常在 start_date 后一个完整的调度间隔结束时执行。
调度延迟：如果 DAG 配置或系统资源不够，可能会出现调度延迟。

6. 示例说明

假设你有一个 DAG：

start_date: 2024-08-14 00:00:00
schedule_interval: 每 1 小时一次 (timedelta(hours=1))

那么 Airflow 会按如下时间点调度任务：

2024-08-14 01:00:00 调度 2024-08-14 00:00:00 到 01:00:00 这一小时的数据
2024-08-14 02:00:00 调度 2024-08-14 01:00:00 到 02:00:00 这一小时的数据
以此类推

7. 具体代码实现

在 Airflow 的源码中，调度时间的计算主要依赖于以下几个组件：
DagRun: 每次 DAG 运行都会创建一个 DagRun 对象，其中记录了调度时间、开始时间、结束时间等信息。
next_dagrun_info: 这个函数会基于当前的 schedule_interval 计算下一个调度时间。
catchup: 如果 catchup=True，Airflow 会尝试补齐所有错过的调度时间。

在这里插入图片描述

⭐️ 一个场景

假如开始时间为当天0点，每隔1小时执行一次，而且开始时DAG是被paused的，当在凌晨3点手动从paused状态变成acitve状态，那么后面的运行是怎么调度的，分析如下：

在 Airflow 中，DAG 被 paused 状态解除并变为 active 状态时，调度的逻辑将根据 start_date 和 schedule_interval 来决定接下来的任务调度时间。让我们详细讨论一下这种情况下的调度行为。

1. 情景描述

start_date: 当天的凌晨 00:00（例如 2024-08-14 00:00）。
schedule_interval: 每 1 小时运行一次（'0 * * * *' 或 timedelta(hours=1)）。
DAG 状态: 初始时 DAG 处于 paused 状态，凌晨 3 点手动将其设置为 active 状态。

2. 关键点

DAG 的调度逻辑：
- Airflow 的调度是基于 start_date 和 schedule_interval 的，并且会计算所有可能的调度时间点。
- 当 DAG 处于 paused 状态时，Airflow 不会调度新的任务实例，但会“记住”错过的调度窗口。
- 当 DAG 被从 paused 变为 active 时，Airflow 会立即尝试补齐所有错过的调度实例，除非你手动跳过这些实例。
调度行为：
- 你在凌晨 3 点将 DAG 从 paused 变为 active 状态后，Airflow 将立即调度凌晨 1 点、2 点和 3 点的实例，因为它们都是基于 start_date 和 schedule_interval 计算出来的调度点。
- 这意味着，当你在凌晨 3 点将 DAG 设为 active，Airflow 会依次调度并执行 00:00-01:00、01:00-02:00、02:00-03:00 这几个时间段的 DAG 任务。