仅当使用Python中的DAG在AWS athena表中可用的新分区/数据可用时，如何触发Airflow任务？

我有一个如下的场景：

1. 仅在源表（Athena）中有新数据可用时才触发Task 1和Task 2。一天中进行新的数据分区时，应该触发Task1和Task2。
2. 触发Task 3仅完成Task 1和Task 2
3. Task 4仅触发完成Task 3

我的密码

from airflow import DAG

from airflow.contrib.sensors.aws_glue_catalog_partition_sensor import AwsGlueCatalogPartitionSensor
from datetime import datetime, timedelta

from airflow.operators.postgres_operator import PostgresOperator
from utils import FAILURE_EMAILS

yesterday = datetime.combine(datetime.today() - timedelta(1), datetime.min.time())

default_args = {
    'owner': 'airflow',
    'depends_on_past': False,
    'start_date': yesterday,
    'email': FAILURE_EMAILS,
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': timedelta(minutes=5)
}

dag = DAG('Trigger_Job', default_args=default_args, schedule_interval='@daily')

Athena_Trigger_for_Task1 = AwsGlueCatalogPartitionSensor(
    task_id='athena_wait_for_Task1_partition_exists',
    database_name='DB',
    table_name='Table1',
    expression='load_date={{ ds_nodash }}',
    timeout=60,
    dag=dag)

Athena_Trigger_for_Task2 = AwsGlueCatalogPartitionSensor(
    task_id='athena_wait_for_Task2_partition_exists',
    database_name='DB',
    table_name='Table2',
    expression='load_date={{ ds_nodash }}',
    timeout=60,
    dag=dag)

execute_Task1 = PostgresOperator(
    task_id='Task1',
    postgres_conn_id='REDSHIFT_CONN',
    sql="/sql/flow/Task1.sql",
    params={'limit': '50'},
    trigger_rule='all_success',
    dag=dag
)

execute_Task2 = PostgresOperator(
    task_id='Task2',
    postgres_conn_id='REDSHIFT_CONN',
    sql="/sql/flow/Task2.sql",
    params={'limit': '50'},
    trigger_rule='all_success',
    dag=dag
)



execute_Task3 = PostgresOperator(
    task_id='Task3',
    postgres_conn_id='REDSHIFT_CONN',
    sql="/sql/flow/Task3.sql",
    params={'limit': '50'},
    trigger_rule='all_success',
    dag=dag
)

execute_Task4 = PostgresOperator(
    task_id='Task4',
    postgres_conn_id='REDSHIFT_CONN',
    sql="/sql/flow/Task4",
    params={'limit': '50'},
    dag=dag
)



execute_Task1.set_upstream(Athena_Trigger_for_Task1)
execute_Task2.set_upstream(Athena_Trigger_for_Task2)

execute_Task3.set_upstream(execute_Task1)
execute_Task3.set_upstream(execute_Task2)

execute_Task4.set_upstream(execute_Task3)

实现它的最佳最佳方法是什么？

我相信您的问题解决了两个主要问题：

1. 忘记以schedule_interval显式方式配置，因此@daily正在设置您不期望的内容。
2. 当您依赖外部事件来完成执行时，如何触发并重试dag的执行

简短的答案：使用cron作业格式显式设置您的schedule_interval，并使用传感器运算符不时检查

default_args={
        'retries': (endtime - starttime)*60/poke_time
}
dag = DAG('Trigger_Job', default_args=default_args, schedule_interval='0 10 * * *')
Athena_Trigger_for_Task1 = AwsGlueCatalogPartitionSensor(
     ....
    poke_time= 60*5 #<---- set a poke_time in seconds
    dag=dag)

这里startime是什么时候你的日常任务将启动，endtime什么是一天中的最后一次，你应该检查，如果事件被标记为失败和以前做poke_time是你的时间间隔sensor_operator将检查所发生的事件。

每当您将dag设置为@daily像您一样时，如何显式解决cron作业：

dag = DAG('Trigger_Job', default_args=default_args, schedule_interval='@daily')

从文档中，您可以看到您实际上正在做： @daily - Run once a day at midnight

现在可以理解为什么会出现超时错误，并在5分钟后失败，因为您设置了'retries': 1和'retry_delay': timedelta(minutes=5)。因此，它尝试在午夜运行dag，但失败了。5分钟后重试，然后再次失败，因此将其标记为失败。

所以基本上@daily run设置一个隐式的cron作业：

@daily -> Run once a day at midnight -> 0 0 * * *

cron作业格式为以下格式，您可以将值设置为*每当要说“全部”时。

Minute Hour Day_of_Month Month Day_of_Week

因此，@ daily基本上是说每隔一周运行一次：分钟0小时0 of all days_of_month of all days_of_week的所有月份

因此，您的案例每隔以下时间运行一次：所有days_of_week的all_months的所有days_of_month的分钟0小时10。这将以cron作业格式转换为：

0 10 * * *

当您依赖外部事件来完成执行时，如何触发并重试dag的执行

1. 您可以使用以下命令在外部事件中触发气流中断airflow trigger_dag。如果您可以通过某种方式触发lambda函数/ python脚本来针对您的气流实例，那么这将是可能的。

2. 如果您不能从外部触发dag，则使用像OP一样的传感器运算符，将其设置为poke_time并设置合理的重试次数。