ddadmin
10f5bc3510
- Добавлен kafka-python==2.0.6 в airflow/requirements.txt - Создан dags/utils/kafka_helpers.py с функциями: - check_kafka_ready() — проверка доступности брокера - prepare_topics() — создание/сброс топиков через KafkaAdminClient - load_jsonl() — загрузка данных через KafkaProducer (limit=0 = все) - validate_load_params(), check_input_files() — валидация - Создан dags/kafka_load_dag.py с TaskGroup: - precheck: check_kafka, check_input_files, validate_load_params - ingest: prepare_topics, параллельная загрузка 4 потоков, verify_publish_counts - Параметры DAG: limit (0 = все), reset_topics, load_* (выбор потоков) - Обновлена документация: AGENTS.md, README.md, plans/runbook.md, plans/airflow_dags_plan.md, docs/ARCHITECTURE.md Тестирование: - Подключение к Kafka: ✅ (kafka:29092 доступен, брокер 2.6.0) - Загрузка данных: ✅ (1000 сообщений — полный файл browser_events) - Python синтаксис: ✅ (py_compile проходит) - Структура DAG: ✅ (все 9 задач корректно определены)
343 lines
12 KiB
Python
343 lines
12 KiB
Python
"""
|
|
Helper-функции для работы с Kafka из Airflow DAG'ов.
|
|
|
|
Использует kafka-python:
|
|
- KafkaAdminClient — для управления топиками
|
|
- KafkaProducer — для публикации сообщений
|
|
"""
|
|
|
|
from __future__ import annotations
|
|
|
|
import logging
|
|
from pathlib import Path
|
|
from typing import TYPE_CHECKING
|
|
|
|
if TYPE_CHECKING:
|
|
from typing import Optional
|
|
|
|
# -----------------------------------------------------------------------------
|
|
# Конфигурация подключения к Kafka
|
|
# -----------------------------------------------------------------------------
|
|
KAFKA_BOOTSTRAP_SERVERS = "kafka:29092"
|
|
REQUEST_TIMEOUT_MS = 30000
|
|
|
|
# Топики и соответствующие файлы данных
|
|
TOPIC_FILE_MAP = {
|
|
"browser_events": "browser_events.jsonl",
|
|
"location_events": "location_events.jsonl",
|
|
"device_events": "device_events.jsonl",
|
|
"geo_events": "geo_events.jsonl",
|
|
}
|
|
|
|
logger = logging.getLogger(__name__)
|
|
|
|
|
|
# -----------------------------------------------------------------------------
|
|
# Проверка доступности Kafka
|
|
# -----------------------------------------------------------------------------
|
|
def check_kafka_ready(
|
|
bootstrap_servers: str = KAFKA_BOOTSTRAP_SERVERS,
|
|
timeout_ms: int = REQUEST_TIMEOUT_MS,
|
|
) -> None:
|
|
"""
|
|
Проверяет доступность Kafka брокера.
|
|
|
|
Args:
|
|
bootstrap_servers: Адрес Kafka брокера
|
|
timeout_ms: Таймаут запроса в миллисекундах
|
|
|
|
Raises:
|
|
AirflowException: Если Kafka недоступна
|
|
"""
|
|
from kafka import KafkaAdminClient
|
|
from kafka.errors import NoBrokersAvailable
|
|
from airflow.exceptions import AirflowException
|
|
|
|
try:
|
|
admin_client = KafkaAdminClient(
|
|
bootstrap_servers=bootstrap_servers,
|
|
request_timeout_ms=timeout_ms,
|
|
)
|
|
# Проверяем связь, запрашивая список топиков
|
|
admin_client.list_topics()
|
|
admin_client.close()
|
|
logger.info("Kafka брокер доступен: %s", bootstrap_servers)
|
|
except NoBrokersAvailable as e:
|
|
raise AirflowException(f"Kafka брокер недоступен: {bootstrap_servers}") from e
|
|
except Exception as e:
|
|
raise AirflowException(f"Ошибка подключения к Kafka: {e}") from e
|
|
|
|
|
|
# -----------------------------------------------------------------------------
|
|
# Управление топиками
|
|
# -----------------------------------------------------------------------------
|
|
def prepare_topics(
|
|
topics: Optional[list[str]] = None,
|
|
reset: bool = True,
|
|
bootstrap_servers: str = KAFKA_BOOTSTRAP_SERVERS,
|
|
timeout_ms: int = REQUEST_TIMEOUT_MS,
|
|
) -> None:
|
|
"""
|
|
Создаёт или пересоздаёт топики Kafka.
|
|
|
|
Args:
|
|
topics: Список топиков для создания (по умолчанию все из TOPIC_FILE_MAP)
|
|
reset: Если True — удаляет топики перед созданием
|
|
bootstrap_servers: Адрес Kafka брокера
|
|
timeout_ms: Таймаут операций в миллисекундах
|
|
"""
|
|
from kafka import KafkaAdminClient
|
|
from kafka.admin import NewTopic
|
|
from kafka.errors import TopicAlreadyExistsError, UnknownTopicOrPartitionError
|
|
from airflow.exceptions import AirflowException
|
|
|
|
if topics is None:
|
|
topics = list(TOPIC_FILE_MAP.keys())
|
|
|
|
admin_client = KafkaAdminClient(
|
|
bootstrap_servers=bootstrap_servers,
|
|
request_timeout_ms=timeout_ms,
|
|
)
|
|
|
|
try:
|
|
# Удаляем топики если reset=True
|
|
if reset:
|
|
try:
|
|
admin_client.delete_topics(topics, timeout_ms=timeout_ms)
|
|
logger.info("Удалены топики: %s", topics)
|
|
except UnknownTopicOrPartitionError:
|
|
# Топики не существуют — это нормально
|
|
logger.info("Топики для удаления не найдены (уже отсутствуют)")
|
|
except Exception as e:
|
|
logger.warning("Ошибка при удалении топиков: %s", e)
|
|
|
|
# Создаём топики
|
|
new_topics = [
|
|
NewTopic(
|
|
name=topic,
|
|
num_partitions=1, # Дефолтное количество партиций
|
|
replication_factor=1,
|
|
)
|
|
for topic in topics
|
|
]
|
|
|
|
try:
|
|
admin_client.create_topics(new_topics, timeout_ms=timeout_ms)
|
|
logger.info("Созданы топики: %s", topics)
|
|
except TopicAlreadyExistsError:
|
|
logger.info("Топики уже существуют: %s", topics)
|
|
except Exception as e:
|
|
raise AirflowException(f"Ошибка создания топиков: {e}") from e
|
|
|
|
finally:
|
|
admin_client.close()
|
|
|
|
|
|
# -----------------------------------------------------------------------------
|
|
# Загрузка данных из JSONL
|
|
# -----------------------------------------------------------------------------
|
|
def load_jsonl(
|
|
file_path: str | Path,
|
|
topic: str,
|
|
limit: int = 0,
|
|
bootstrap_servers: str = KAFKA_BOOTSTRAP_SERVERS,
|
|
) -> int:
|
|
"""
|
|
Читает JSONL-файл и публикует строки в Kafka топик.
|
|
|
|
Формат: 1 строка JSON = 1 сообщение (value), без ключа.
|
|
|
|
Args:
|
|
file_path: Путь к .jsonl файлу
|
|
topic: Имя Kafka топика
|
|
limit: Максимальное количество строк (0 = все строки)
|
|
bootstrap_servers: Адрес Kafka брокера
|
|
|
|
Returns:
|
|
Количество отправленных сообщений
|
|
|
|
Raises:
|
|
AirflowException: Если файл не найден или ошибка отправки
|
|
"""
|
|
from kafka import KafkaProducer
|
|
from kafka.errors import KafkaError
|
|
from airflow.exceptions import AirflowException
|
|
|
|
file_path = Path(file_path)
|
|
if not file_path.is_file():
|
|
raise AirflowException(f"Файл не найден: {file_path}")
|
|
|
|
producer = KafkaProducer(
|
|
bootstrap_servers=bootstrap_servers,
|
|
# Отправляем сырые байты (строки JSON как есть)
|
|
value_serializer=lambda v: v.encode("utf-8") if isinstance(v, str) else v,
|
|
acks="all", # Ждём подтверждения от всех реплик
|
|
retries=3,
|
|
batch_size=16384,
|
|
linger_ms=10,
|
|
)
|
|
|
|
sent_count = 0
|
|
error_count = 0
|
|
|
|
try:
|
|
with open(file_path, "r", encoding="utf-8") as f:
|
|
for line_num, line in enumerate(f, 1):
|
|
# Пропускаем пустые строки
|
|
line = line.strip()
|
|
if not line:
|
|
continue
|
|
|
|
# Проверяем лимит
|
|
if limit > 0 and sent_count >= limit:
|
|
logger.info(
|
|
"Достигнут лимит %d строк для %s", limit, topic
|
|
)
|
|
break
|
|
|
|
# Отправляем сообщение
|
|
try:
|
|
future = producer.send(topic, value=line)
|
|
# Неблокирующая отправка, собираем future для проверки
|
|
sent_count += 1
|
|
except KafkaError as e:
|
|
error_count += 1
|
|
logger.error("Ошибка отправки строки %d в %s: %s", line_num, topic, e)
|
|
if error_count > 10:
|
|
raise AirflowException(
|
|
f"Слишком много ошибок отправки в {topic}"
|
|
) from e
|
|
|
|
# Ждём завершения всех отправок
|
|
producer.flush(timeout=60)
|
|
|
|
logger.info(
|
|
"Загрузка завершена: %s -> %s, отправлено %d сообщений",
|
|
file_path.name,
|
|
topic,
|
|
sent_count,
|
|
)
|
|
|
|
if sent_count == 0:
|
|
raise AirflowException(f"Не отправлено ни одного сообщения в {topic}")
|
|
|
|
return sent_count
|
|
|
|
except Exception as e:
|
|
if isinstance(e, AirflowException):
|
|
raise
|
|
raise AirflowException(f"Ошибка загрузки {file_path.name}: {e}") from e
|
|
|
|
finally:
|
|
producer.close(timeout=30)
|
|
|
|
|
|
# -----------------------------------------------------------------------------
|
|
# Утилиты для валидации
|
|
# -----------------------------------------------------------------------------
|
|
def validate_load_params(
|
|
limit: int,
|
|
load_browser: bool,
|
|
load_location: bool,
|
|
load_device: bool,
|
|
load_geo: bool,
|
|
) -> None:
|
|
"""
|
|
Валидирует параметры загрузки данных.
|
|
|
|
Args:
|
|
limit: Количество строк для загрузки
|
|
full_load: Флаг полной загрузки
|
|
load_browser: Загружать browser_events
|
|
load_location: Загружать location_events
|
|
load_device: Загружать device_events
|
|
load_geo: Загружать geo_events
|
|
|
|
Raises:
|
|
AirflowException: Если параметры невалидны
|
|
"""
|
|
from airflow.exceptions import AirflowException
|
|
|
|
# Проверка limit
|
|
if not isinstance(limit, int) or limit < 0:
|
|
raise AirflowException(f"limit должен быть неотрицательным int, получено: {limit}")
|
|
|
|
# Проверка что хотя бы один поток выбран
|
|
if not any([load_browser, load_location, load_device, load_geo]):
|
|
raise AirflowException("Должен быть выбран хотя бы один поток для загрузки")
|
|
|
|
|
|
def check_input_files(
|
|
data_dir: str | Path = "/opt/airflow/data",
|
|
load_browser: bool = True,
|
|
load_location: bool = True,
|
|
load_device: bool = True,
|
|
load_geo: bool = True,
|
|
) -> None:
|
|
"""
|
|
Проверяет наличие необходимых JSONL-файлов.
|
|
|
|
Args:
|
|
data_dir: Директория с данными
|
|
load_browser: Проверять browser_events.jsonl
|
|
load_location: Проверять location_events.jsonl
|
|
load_device: Проверять device_events.jsonl
|
|
load_geo: Проверять geo_events.jsonl
|
|
|
|
Raises:
|
|
AirflowException: Если какой-либо файл отсутствует
|
|
"""
|
|
from airflow.exceptions import AirflowException
|
|
|
|
data_dir = Path(data_dir)
|
|
files_to_check = []
|
|
|
|
if load_browser:
|
|
files_to_check.append("browser_events.jsonl")
|
|
if load_location:
|
|
files_to_check.append("location_events.jsonl")
|
|
if load_device:
|
|
files_to_check.append("device_events.jsonl")
|
|
if load_geo:
|
|
files_to_check.append("geo_events.jsonl")
|
|
|
|
missing_files = []
|
|
for filename in files_to_check:
|
|
file_path = data_dir / filename
|
|
if not file_path.is_file():
|
|
missing_files.append(filename)
|
|
|
|
if missing_files:
|
|
raise AirflowException(
|
|
f"Отсутствуют файлы данных в {data_dir}: {missing_files}"
|
|
)
|
|
|
|
logger.info("Все необходимые файлы найдены: %s", files_to_check)
|
|
|
|
|
|
def get_topic_file_mapping(
|
|
load_browser: bool = True,
|
|
load_location: bool = True,
|
|
load_device: bool = True,
|
|
load_geo: bool = True,
|
|
) -> dict[str, str]:
|
|
"""
|
|
Возвращает маппинг топиков на файлы для выбранных потоков.
|
|
|
|
Returns:
|
|
Словарь {topic_name: filename}
|
|
"""
|
|
result = {}
|
|
flags = {
|
|
"browser_events": load_browser,
|
|
"location_events": load_location,
|
|
"device_events": load_device,
|
|
"geo_events": load_geo,
|
|
}
|
|
|
|
for topic, filename in TOPIC_FILE_MAP.items():
|
|
if flags.get(topic, True):
|
|
result[topic] = filename
|
|
|
|
return result
|