# Учебные задания по Apache Airflow Этот документ содержит практические задания для закрепления знаний по Apache Airflow. Каждое задание соответствует одному из учебных DAG'ов и направлено на лучшее понимание конкретных концепций. ## Общие инструкции Перед выполнением заданий: 1. Убедитесь, что стенд Airflow запущен: `docker-compose up -d` 2. Проверьте доступность интерфейса: http://localhost:8080 3. Ознакомьтесь с соответствующим DAG'ом в интерфейсе Airflow 4. Откройте исходный код DAG'а и прочитайте описание в начале файла --- ## Задания для hello_world_dag.py **Цель:** Освоить базовые концепции Airflow — создание задач, зависимости, операторы. ### Задание 1: Модификация существующих задач **Сложность:** Начальная **Задача:** - Откройте файл `hello_world_dag.py` - Измените текст в функциях `print_hello()`, `print_date()`, `print_goodbye()` на русский язык - Добавьте новую задачу, которая выводит текущую погоду (можно использовать фиктивные данные) **Подсказка:** - Новая задача создаётся по аналогии с `date_task` — нужна Python-функция и `PythonOperator` для неё - Не забудьте встроить задачу в цепочку зависимостей (`>>`) - После сохранения файла DAG подхватится автоматически — запустите его вручную через UI и проверьте логи **Цель задания:** Понять структуру DAG, научиться добавлять и модифицировать задачи. ### Задание 2: Изменение расписания **Сложность:** Начальная **Задача:** - Измените `schedule_interval` с ежедневного на еженедельное выполнение - Добавьте параметр `max_active_runs` для ограничения одновременных запусков - Проверьте изменения в интерфейсе Airflow **Подсказка:** - Расписание задаётся в параметрах `DAG(...)` — ищите `schedule_interval` - Можно использовать `timedelta(weeks=1)` или cron-выражение (например, `'0 0 * * 1'`) - `max_active_runs` — тоже параметр `DAG()` **Цель задания:** Освоить настройку расписания и параметров выполнения DAG. ### Задание 3: Добавление BashOperator **Сложность:** Средняя **Задача:** - Добавьте задачу с `BashOperator`, которая создает текстовый файл в папке `/opt/airflow/data/output/` - Настройте зависимости так, чтобы эта задача выполнялась между `date_task` и `end_task` - Убедитесь, что файл создается при каждом запуске DAG **Подсказка:** - Импорт `BashOperator` уже есть в файле — посмотрите шапку - `BashOperator` принимает параметр `bash_command` со строкой shell-команды - Для записи в файл подойдёт обычный `echo "текст" > /path/to/file.txt` - Проверить результат можно: `docker-compose exec airflow-webserver cat /opt/airflow/data/output/<ваш_файл>` **Цель задания:** Научиться работать с разными типами операторов. --- ## Задания для sql_basic_dag.py **Цель:** Освоить работу с базами данных через Airflow. ### Задание 1: Расширение структуры таблицы **Сложность:** Средняя **Задача:** - Добавьте в таблицу `students_sample` новые поля: `email`, `phone`, `registration_date` - Модифицируйте SQL-запросы для работы с новой структурой - Добавьте задачу для обновления существующих записей **Подсказка:** - Новые колонки добавляются в переменную `create_table_sql` — подберите подходящие типы (VARCHAR, DATE и т.д.) - Не забудьте обновить `insert_data_sql` — количество значений в INSERT должно совпадать с количеством колонок - Для задачи UPDATE создайте новую SQL-переменную и новый `PostgresOperator` по аналогии с существующими - **Подводный камень:** `TRUNCATE TABLE` не изменяет структуру. Чтобы новые колонки появились, замените его на `DROP TABLE IF EXISTS` **Цель задания:** Научиться работать с миграциями схемы базы данных. ### Задание 2: Создание отчетов **Сложность:** Средняя **Задача:** - Добавьте задачу, которая создает сводный отчет по данным студентов - Отчет должен содержать: количество студентов, средний возраст, распределение по возрасту - Сохраните отчет в файл в папке `/opt/airflow/data/output/` **Подсказка:** - Здесь понадобится `PythonOperator`, а не `PostgresOperator` — потому что нужно получить результат SQL и записать в файл - Для подключения к БД из Python-функции используйте `PostgresHook` (импорт: `from airflow.providers.postgres.hooks.postgres import PostgresHook`) - У хука есть метод `get_conn()`, который возвращает обычное psycopg2-соединение — дальше работайте через `cursor.execute()` и `fetchone()` - Задачу поставьте перед `drop_table` в цепочке зависимостей **Цель задания:** Освоить создание аналитических отчетов в DAG'ах. ### Задание 3: Работа с соединениями **Сложность:** Средняя **Задача:** - Создайте новое соединение к базе данных через Airflow UI - Модифицируйте DAG для использования нового соединения - Добавьте обработку ошибок подключения к БД **Подсказка:** - Соединения создаются в UI: Admin → Connections → "+" - Параметры для нашей учебной БД: Host = `postgres-training`, Schema = `training`, Login = `student`, Password = `student`, Port = `5432` - В DAG-файле соединение указывается через `postgres_conn_id` — замените значение на ваш новый Conn Id - Для проверки ошибок попробуйте указать несуществующее соединение и посмотрите, что покажут логи **Цель задания:** Научиться управлять соединениями с внешними системами. --- ## Задания для file_operations_dag.py **Цель:** Освоить работу с файлами и данными в Airflow. ### Задание 1: Модификация генерации данных **Сложность:** Средняя **Задача:** - Добавьте новые поля в генерируемые данные: `department`, `experience_years`, `education_level` - Модифицируйте валидацию для проверки новых полей - Добавьте фильтрацию данных по определенным критериям (например, опыт > 3 года) **Подсказка:** - Генерация данных происходит в функции `generate_sample_data()` — новые поля добавляются в словарь `data` - Для `department` подойдёт `random.choice()` со списком отделов, для `experience_years` — привяжите к возрасту (не может быть больше `age - 18`) - Валидация — в функции `read_and_validate_data()`: добавьте `assert` по аналогии с существующими - Фильтрацию (pandas `df[df['experience_years'] > 3]`) можно добавить в `transform_data()` и сохранить отдельным файлом **Цель задания:** Научиться работать с различными типами данных и валидацией. ### Задание 2: Создание дополнительных отчетов **Сложность:** Средняя **Задача:** - Создайте отчет в формате JSON с детальной статистикой по отделам - Добавьте визуализацию данных с помощью библиотеки matplotlib (сохранение графика в файл) - Создайте сводку по зарплатам в разных возрастных категориях **Подсказка:** - Создайте новую функцию и новый `PythonOperator`, добавьте в цепочку после `summary_task` - Для JSON-отчёта: загрузите processed_data.csv через pandas, сгруппируйте (`groupby`) и сохраните через `json.dump()` - matplotlib может быть не установлен в контейнере — это нормально, сделайте эту часть необязательной (обработайте `ImportError`) - Не забудьте `import pandas as pd` внутри функции (не в шапке файла!) **Цель задания:** Освоить создание комплексных отчетов и визуализацию. ### Задание 3: Оптимизация обработки **Сложность:** Продвинутая **Задача:** - Разделите обработку данных на параллельные задачи для разных отделов - Добавьте контроль качества данных (проверка на дубликаты, аномалии) - Реализуйте механизм повторной обработки при ошибках **Подсказка:** - Параллельные задачи задаются списком: `read_task >> [task_a, task_b, task_c] >> summary_task` - Каждая задача фильтрует DataFrame по своему отделу и сохраняет результат в отдельный файл - Проверку дубликатов можно сделать через `df['id'].is_unique` - Параметры `retries` и `retry_delay` можно задать как у отдельных задач, так и в `default_args` **Цель задания:** Научиться оптимизировать и делать обработку данных отказоустойчивой. --- ## Задания для csv_to_postgres.py **Цель:** Освоить паттерны загрузки данных (ETL) из файлов в базу данных и применение XCom. ### Задание 1: Расширение структуры данных **Сложность:** Начальная **Задача:** - Добавьте в генератор CSV новую колонку `status` (например, со случайными значениями 'NEW', 'PROCESSING', 'COMPLETED'). - Обновите функцию `_create_table`, чтобы учесть новую колонку. - Запустите DAG и проверьте, что данные успешно загрузились с новой колонкой. - Убедитесь, что сгенерированный файл появился в каталоге `/opt/airflow/data/output/`. **Подсказка:** - Новая колонка добавляется в трёх местах: генерация (`_generate_csv`), DDL (`_create_table`), загрузка (`_load_csv` — список колонок в COPY) - В `_generate_csv()` для случайных значений подойдёт `random.choices(['NEW', 'PROCESSING', 'COMPLETED'], k=rows)` - **Подводный камень:** если таблица уже существует со старой схемой, новая колонка не появится. Удалите таблицу вручную или добавьте `DROP TABLE` перед `CREATE TABLE` **Цель задания:** Понять процесс изменения схемы данных на всех этапах пайплайна. ### Задание 2: Использование PostgresOperator **Сложность:** Средняя **Задача:** - Перепишите задачу `create_orders_table`. Сейчас она использует `PythonOperator` и `PostgresHook` внутри Python-функции. - Замените её на использование стандартного `PostgresOperator`, используя соединение `postgres_training`. - Убедитесь, что пайплайн продолжает работать корректно. **Подсказка:** - Посмотрите, как устроен `sql_basic_dag.py` — там `PostgresOperator` уже используется, можно взять за образец - `PostgresOperator` принимает `postgres_conn_id` и `sql` — SQL можно передать прямо строкой - После замены проверьте, не осталось ли ссылок на удалённую функцию. `_get_conn()` всё ещё нужна в `_load_csv()` **Цель задания:** Научиться использовать специализированные операторы для работы с БД вместо кастомного Python-кода. --- ## Задания для csv_to_postgres_dq.py **Цель:** Освоить подходы к обеспечению качества данных (Data Quality) в Airflow. ### Задание 1: Новая проверка качества **Сложность:** Средняя **Задача:** - Добавьте новую функцию проверки прямо в `csv_to_postgres_dq.py`, которая будет убеждаться, что все значения в колонке `amount` строго больше нуля. - Добавьте вызов этой функции как новую задачу в DAG `csv_to_postgres_dq`. - Встройте новую задачу в общую цепочку выполнения (например, перед `data_quality_summary`). **Подсказка:** - Возьмите за образец любую из существующих функций проверки (например, `_check_has_rows`) — паттерн одинаковый: подключиться, выполнить SQL, проверить результат, бросить `ValueError` если не ок - SQL для проверки: `SELECT COUNT(*) FROM public.orders WHERE amount <= 0` - Не забудьте создать `PythonOperator` и добавить задачу в цепочку **Цель задания:** Научиться расширять набор проверок качества данных. ### Задание 2: Управление статусом при ошибках (Trigger Rules) **Сложность:** Продвинутая **Задача:** - Смоделируйте ошибку (например, временно измените данные так, чтобы проверки не прошли). - По умолчанию, если падает одна проверка, следующие не выполняются (поведение `all_success`). - Измените параметры задач так (с помощью `trigger_rule`), чтобы выполнялись *все* проверки, даже если некоторые из них упали. - Сделайте так, чтобы задача `data_quality_summary` могла анализировать статусы предыдущих задач и отражать общий итог. **Подсказка:** - Для моделирования ошибки: измените `EXPECTED_ORDERS_SCHEMA` так, чтобы схема не совпала. Запустите — увидите, что все задачи после упавшей будут skipped - Ключевой параметр — `trigger_rule` у `PythonOperator`. Значение `"all_done"` означает: «запустись в любом случае, когда все upstream завершились (успешно или нет)» - Для анализа статусов в `dq_summary`: функция может принимать `**context` и через `context['ti']` получить информацию о статусах предыдущих задач - После экспериментов не забудьте вернуть `EXPECTED_ORDERS_SCHEMA` к правильным значениям **Цель задания:** Освоить продвинутую маршрутизацию статусов задач с помощью `trigger_rule`. --- ## Задания для data_processing_dag.py **Цель:** Освоить ETL процессы и работу с бизнес-логикой. ### Задание 1: Расширение ETL пайплайна **Сложность:** Средняя **Задача:** - Добавьте новый источник данных — файл с информацией о продуктах - Создайте задачу для объединения данных о заказах с информацией о продуктах - Добавьте расчет общей выручки по продуктам **Подсказка:** - В `create_sample_data()` добавьте генерацию ещё одного CSV (products.csv) с колонками `product`, `category`, `weight_kg` — значения product должны совпадать с теми, что уже есть в orders - Создайте функцию `extract_products()` по аналогии с `extract_customers()` - Для объединения в `transform_data()` используйте `pd.merge()` по ключу `product` - Новую extract-задачу поставьте параллельно с существующими: `create_data_task >> [extract_customers_task, extract_orders_task, extract_products_task]` **Цель задания:** Научиться работать с множественными источниками данных. ### Задание 2: Расширение текстового отчёта **Сложность:** Средняя **Задача:** - Расширьте функцию `generate_report()` так, чтобы отчёт содержал больше полезной статистики - Добавьте в отчёт: топ-3 самых дорогих заказа, распределение заказов по месяцам, среднюю сумму заказа по каждому клиенту - Сохраните расширенный отчёт в `/opt/airflow/data/output/detailed_report.txt` **Подсказка:** - Всё делается в существующей функции `generate_report()` — дополните её - Полезные методы pandas: `df.nlargest()`, `df.groupby(...).mean()`, `df.groupby(...).sum()` - Можно записать результат в тот же файл или создать отдельный **Цель задания:** Освоить создание аналитических отчётов с помощью pandas. ### Задание 3: Мониторинг качества данных **Сложность:** Продвинутая **Задача:** - Добавьте проверки качества данных на каждом этапе ETL - Создайте механизм оповещения о проблемах с данными - Реализуйте архивирование обработанных данных **Подсказка:** - Создайте отдельную функцию валидации (проверка: строки > 0, нет NULL в ключевых полях, суммы положительные) и поставьте её между extract и transform - Для оповещения используйте `on_failure_callback` в `default_args` — это функция, которая вызывается при падении любой задачи. Она получает `context` с информацией об ошибке - Для архивирования: скопируйте результат в файл с датой в имени (например, `shutil.copy()` + `datetime.now().strftime(...)`) **Цель задания:** Научиться обеспечивать качество данных в ETL процессах. --- ## Задания для branching_dag.py **Цель:** Освоить условную логику и ветвление в Airflow. ### Задание 1: Модификация условий ветвления **Сложность:** Средняя **Задача:** - Измените условие в функции `check_data_quality()` на основе реальных критериев (например, размер файла) - Добавьте третью ветку обработки для данных "требующих ручной проверки" - Настройте разные триггерные правила для слияния веток **Подсказка:** - Сейчас функция выбирает ветку случайно — замените `random.random()` на проверку чего-то реального (например, `os.path.getsize()` для размера файла) - Функция `BranchPythonOperator` возвращает `task_id` ветки для выполнения. Для третьей ветки — верните третий `task_id` - У `merge_task` проверьте `trigger_rule` — при ветвлении непройденные ветки получают статус `skipped` **Цель задания:** Научиться создавать сложные условия ветвления. ### Задание 2: Реализация реального сценария **Сложность:** Продвинутая **Задача:** - Создайте реальные задачи обработки для CSV и JSON форматов - Добавьте валидацию данных в каждой ветке - Реализуйте механизм сравнения результатов из разных веток **Подсказка:** - Вместо `print("Обработка CSV...")` загрузите реальный файл (например, `sample_data.csv`) и посчитайте статистику - Результат каждой ветки сохраните в отдельный файл — в `merge_results()` загрузите оба (если существуют) и сравните - Учтите, что при ветвлении выполняется только одна ветка — функция слияния должна обрабатывать случай, когда один из файлов отсутствует **Цель задания:** Применить ветвление в реальном сценарии обработки данных. ### Задание 3: Динамическое ветвление **Сложность:** Продвинутая **Задача:** - Реализуйте ветвление на основе внешних параметров (например, переданных через Variables) - Добавьте обработку случая, когда ни одна ветка не подходит - Создайте механизм логирования выбранного пути выполнения **Подсказка:** - Variables создаются в UI: Admin → Variables. Для чтения в коде: `Variable.get('key', default_var='значение')` - Для случая «ни одна ветка не подходит» добавьте `DummyOperator` как ветку-заглушку - `BranchPythonOperator` должен всегда возвращать существующий `task_id` — иначе DAG упадёт с ошибкой **Цель задания:** Освоить динамическое принятие решений в DAG'ах. --- ## Задания для error_handling_dag.py **Цель:** Освоить обработку ошибок и создание отказоустойчивых пайплайнов. ### Задание 1: Настройка стратегий повторения **Сложность:** Средняя **Задача:** - Измените параметры `retries` и `retry_delay` для разных задач - Добавьте экспоненциальную задержку между повторными попытками - Реализуйте кастомный обработчик ошибок для конкретных исключений **Подсказка:** - Параметры повторения можно задать на уровне задачи (перекроют `default_args`): `retries`, `retry_delay`, `retry_exponential_backoff`, `max_retry_delay` - Для кастомного обработчика: параметр `on_retry_callback` принимает функцию с аргументом `context`, из которого можно получить номер попытки через `context['ti'].try_number` - Запустите DAG несколько раз и посмотрите в логах, как меняется задержка между попытками **Цель задания:** Научиться настраивать стратегии обработки ошибок. ### Задание 2: Создание комплексной обработки ошибок **Сложность:** Продвинутая **Задача:** - Добавьте задачи для разных типов ошибок (сетевая ошибка, ошибка данных, системная ошибка) - Создайте механизм эскалации ошибок (после N неудачных попыток) - Реализуйте отправку уведомлений о критических ошибках **Подсказка:** - Создайте функции по аналогии с `unreliable_task()`, но бросающие разные типы исключений: `ConnectionError`, `ValueError`, `OSError` - Для эскалации используйте `on_failure_callback` — внутри проверьте `context['ti'].try_number` и при достижении порога выведите сообщение уровня CRITICAL - Пример структуры callback: ```python def escalation_callback(context): if context['ti'].try_number >= 3: # сюда — логику эскалации ``` **Цель задания:** Освоить создание комплексной системы обработки ошибок. ### Задание 3: Добавление логирования через модуль logging **Сложность:** Средняя **Задача:** - Замените все `print()` в функциях DAG'а на вызовы стандартного модуля `logging` - Добавьте в каждую функцию логирование начала и окончания выполнения - Посмотрите, как логи отображаются в интерфейсе Airflow (вкладка Log у каждой задачи) **Подсказка:** - Стандартный паттерн: `import logging` в начале файла, затем `log = logging.getLogger(__name__)` в функции - Уровни: `log.info()` для штатных событий, `log.warning()` для предупреждений, `log.error()` для ошибок - В UI Airflow откройте выполненную задачу → вкладка **Log** — сообщения `logging` отображаются с метками уровня и временем, в отличие от `print()` **Цель задания:** Научиться использовать стандартное логирование Python в задачах Airflow и читать логи через UI. --- ## Дополнительные задания: пулы, XCom, TaskGroup и алертинг **Цель:** Освоить продвинутые возможности оркестрации — управление ресурсами, обмен данными между задачами, группировку и оповещения. ### Задание 1: Пулы и управление ресурсами **Сложность:** Средняя **Задача:** - В интерфейсе Airflow создайте пул `backup_pool` с 2 слотами - Создайте новый DAG `advanced_features_dag.py` **или** расширьте `data_processing_dag.py` задачами резервного копирования (например, `backup_to_csv`, `backup_to_db`) - Назначьте этим задачам параметр `pool="backup_pool"` и настройте `pool_slots` так, чтобы одна из задач занимала 2 слота, а другая — 1 - Наблюдайте в UI, что одновременно запускается не более 2 задач из этого пула **Подсказка:** - Пул создаётся в UI: Admin → Pools → "+" - У `PythonOperator` есть параметры `pool` (имя пула) и `pool_slots` (сколько слотов занимает задача) - Если задача занимает 2 слота из 2 доступных — вторая задача будет ждать, даже если они не связаны зависимостями **Цель задания:** Научиться управлять параллелизмом задач через пулы и `pool_slots`. ### Задание 2: Обмен данными через XCom **Сложность:** Средняя **Задача:** - В том же DAG добавьте задачу `calculate_metrics` (PythonOperator), которая возвращает словарь с агрегированными показателями, например: `{"total_orders": ..., "avg_amount": ...}` - Добавьте задачу `log_metrics`, которая с помощью `xcom_pull` читает результат `calculate_metrics` и выводит значения в лог - Для одной из задач продемонстрируйте использование XCom в Jinja-шаблоне (например, в `bash_command` или SQL-запросе) **Подсказка:** - Любое значение, которое функция возвращает через `return`, автоматически сохраняется в XCom - Для чтения XCom в другой задаче: функция принимает `**context`, затем `context['ti'].xcom_pull(task_ids='имя_задачи')` - В Jinja-шаблонах (параметры `bash_command`, `sql` и др.) XCom доступен через `{{ ti.xcom_pull(task_ids='...') }}` - Посмотреть сохранённые XCom-значения можно в UI: откройте задачу → вкладка **XCom** **Цель задания:** Освоить передачу результатов между задачами через XCom и их использование в шаблонах. ### Задание 3: TaskGroup и алертинг **Сложность:** Продвинутая **Задача:** - Объедините логически связанные задачи (например, `extract` / `transform` / `load`) в `TaskGroup`'ы - Добавьте завершающую задачу `send_notification` на основе примера из раздела про алертинг (PythonOperator с `send_email_smtp` или другим механизмом уведомлений) - Настройте для задачи уведомления `trigger_rule=TriggerRule.ALL_DONE`, чтобы уведомление отправлялось даже при частичных ошибках - При желании вынесите функцию отправки письма в отдельный модуль `utils.py` и импортируйте её в DAG **Подсказка:** - TaskGroup — контекстный менеджер: `with TaskGroup("имя") as group:` — внутри определяете задачи как обычно - Зависимости работают на уровне групп: `group_a >> group_b` - `TriggerRule.ALL_DONE` (из `airflow.utils.trigger_rule`) означает: «запустись, когда все upstream завершились — неважно, с успехом или ошибкой» - В Graph View группы отображаются как складные блоки — удобно для больших DAG'ов **Цель задания:** Научиться группировать задачи с помощью TaskGroup и строить схему оповещений о статусе пайплайна. --- ## Рекомендации по выполнению 1. **Начинайте с простых заданий** и постепенно переходите к сложным 2. **Тестируйте каждое изменение** через интерфейс Airflow 3. **Изучайте логи выполнения** для понимания поведения задач (вкладка Log у каждой задачи в UI) 4. **Экспериментируйте** с разными настройками и параметрами 5. **Не бойтесь ломать** — DAG'и можно откатить через `git checkout`, а таблицы пересоздать ## Оценка прогресса - **Начальный уровень:** Выполнены задания для hello_world_dag и sql_basic_dag - **Средний уровень:** Выполнены задания для file_operations_dag, csv_to_postgres.py, csv_to_postgres_dq.py и data_processing_dag - **Продвинутый уровень:** Выполнены все задания, включая branching_dag, error_handling_dag и дополнительные задания по пулам, XCom, TaskGroup и алертингу Удачи в изучении Apache Airflow!