ddadmin
1b9991f595
- Why: - For DE task we only need full ingest or limit-based sample. - load_* and full_load params were redundant and unclear in current flow. - What: - Remove full_load and load_* params from kafka_load DAG contract. - Simplify kafka helpers (validate/check files) to fixed 4-stream ingest. - Sync AGENTS, README, runbook, architecture and airflow plan docs. - Check: - python3 -m py_compile dags/kafka_load_dag.py dags/utils/kafka_helpers.py - Airflow smoke/full runs: ddl_init -> kafka_load -> etl_pipeline (all success). - Legacy path: make data && make transform (success).
235 lines
8.4 KiB
Python
235 lines
8.4 KiB
Python
"""
|
|
DAG для загрузки данных в Kafka из JSONL-файлов.
|
|
|
|
Функциональность:
|
|
- Проверка доступности Kafka и наличия файлов
|
|
- Создание/сброс топиков
|
|
- Параллельная загрузка 4 потоков данных
|
|
- Проверка результатов через XCom
|
|
|
|
Параметры (через Trigger DAG with config):
|
|
limit (int): Количество строк для загрузки (по умолчанию 0 = все)
|
|
reset_topics (bool): Пересоздать топики (по умолчанию True)
|
|
"""
|
|
|
|
from __future__ import annotations
|
|
|
|
from datetime import datetime, timedelta
|
|
from pathlib import Path
|
|
|
|
from airflow import DAG
|
|
from airflow.exceptions import AirflowException
|
|
from airflow.models.param import Param
|
|
from airflow.operators.python import PythonOperator
|
|
from airflow.utils.task_group import TaskGroup
|
|
|
|
# Импортируем helper-функции
|
|
from utils.kafka_helpers import (
|
|
check_input_files,
|
|
check_kafka_ready,
|
|
load_jsonl,
|
|
prepare_topics,
|
|
validate_load_params,
|
|
)
|
|
|
|
# -----------------------------------------------------------------------------
|
|
# Базовые настройки DAG
|
|
# -----------------------------------------------------------------------------
|
|
default_args = {
|
|
"owner": "airflow",
|
|
"depends_on_past": False,
|
|
"email_on_failure": False,
|
|
"email_on_retry": False,
|
|
"retries": 1,
|
|
"retry_delay": timedelta(minutes=2),
|
|
}
|
|
|
|
DATA_DIR = Path("/opt/airflow/data")
|
|
|
|
# -----------------------------------------------------------------------------
|
|
# Python callable функции для задач
|
|
# -----------------------------------------------------------------------------
|
|
def _check_kafka(**context) -> None:
|
|
"""Проверка доступности Kafka брокера."""
|
|
check_kafka_ready()
|
|
|
|
|
|
def _check_files(**context) -> None:
|
|
"""Проверка наличия входных файлов."""
|
|
check_input_files(data_dir=DATA_DIR)
|
|
|
|
|
|
def _validate_params(**context) -> None:
|
|
"""Валидация параметров загрузки."""
|
|
conf = context.get("dag_run", {}).conf or {}
|
|
limit = int(conf.get("limit", context["params"]["limit"]))
|
|
validate_load_params(limit=limit)
|
|
|
|
|
|
def _prepare_topics(**context) -> None:
|
|
"""Подготовка топиков Kafka (создание/сброс)."""
|
|
conf = context.get("dag_run", {}).conf or {}
|
|
reset_topics = bool(conf.get("reset_topics", context["params"]["reset_topics"]))
|
|
|
|
prepare_topics(reset=reset_topics)
|
|
|
|
|
|
def _load_events(event_type: str, **context) -> int:
|
|
"""
|
|
Загружает события определённого типа в Kafka.
|
|
|
|
Args:
|
|
event_type: Тип события (browser, location, device, geo)
|
|
|
|
Returns:
|
|
Количество отправленных сообщений
|
|
"""
|
|
conf = context.get("dag_run", {}).conf or {}
|
|
limit = int(conf.get("limit", context["params"]["limit"]))
|
|
|
|
# Маппинг типа события на топик и файл
|
|
event_mapping = {
|
|
"browser": ("browser_events", "browser_events.jsonl"),
|
|
"location": ("location_events", "location_events.jsonl"),
|
|
"device": ("device_events", "device_events.jsonl"),
|
|
"geo": ("geo_events", "geo_events.jsonl"),
|
|
}
|
|
|
|
topic, filename = event_mapping[event_type]
|
|
file_path = DATA_DIR / filename
|
|
|
|
# Загружаем данные
|
|
sent_count = load_jsonl(
|
|
file_path=file_path,
|
|
topic=topic,
|
|
limit=limit,
|
|
)
|
|
|
|
# Сохраняем результат в XCom для verify_publish_counts
|
|
context["ti"].xcom_push(key=f"{event_type}_count", value=sent_count)
|
|
|
|
return sent_count
|
|
|
|
|
|
def _verify_counts(**context) -> None:
|
|
"""Проверяет, что все загрузки отправили сообщения."""
|
|
ti = context["ti"]
|
|
|
|
# Собираем результаты из XCom
|
|
results = {
|
|
"browser_events": ti.xcom_pull(task_ids="ingest.load_browser_events", key="browser_count") or 0,
|
|
"location_events": ti.xcom_pull(task_ids="ingest.load_location_events", key="location_count") or 0,
|
|
"device_events": ti.xcom_pull(task_ids="ingest.load_device_events", key="device_count") or 0,
|
|
"geo_events": ti.xcom_pull(task_ids="ingest.load_geo_events", key="geo_count") or 0,
|
|
}
|
|
total_sent = sum(results.values())
|
|
|
|
# Проверяем, что отправлено хотя бы что-то
|
|
if total_sent == 0:
|
|
raise AirflowException("Не отправлено ни одного сообщения ни в один топик")
|
|
|
|
# Логируем итоговую статистику
|
|
for topic, count in results.items():
|
|
print(f"✓ {topic}: {count} сообщений")
|
|
print(f"\nВсего отправлено: {total_sent} сообщений")
|
|
|
|
|
|
# -----------------------------------------------------------------------------
|
|
# Определение DAG
|
|
# -----------------------------------------------------------------------------
|
|
with DAG(
|
|
dag_id="kafka_load",
|
|
default_args=default_args,
|
|
description="Загрузка данных из JSONL в Kafka топики",
|
|
schedule=None, # Только ручной запуск
|
|
start_date=datetime(2024, 1, 1),
|
|
catchup=False,
|
|
max_active_runs=1,
|
|
is_paused_upon_creation=True,
|
|
tags=["kafka", "ingest", "experiments"],
|
|
params={
|
|
"limit": Param(
|
|
default=0,
|
|
type="integer",
|
|
description="Количество строк для загрузки (0 = все строки, по умолчанию)",
|
|
),
|
|
"reset_topics": Param(
|
|
default=True,
|
|
type="boolean",
|
|
description="Пересоздать топики перед загрузкой",
|
|
),
|
|
},
|
|
) as dag:
|
|
|
|
# -------------------------------------------------------------------------
|
|
# TaskGroup: precheck — проверки перед загрузкой
|
|
# -------------------------------------------------------------------------
|
|
with TaskGroup(group_id="precheck") as precheck:
|
|
check_kafka = PythonOperator(
|
|
task_id="check_kafka",
|
|
python_callable=_check_kafka,
|
|
)
|
|
|
|
check_input_files_task = PythonOperator(
|
|
task_id="check_input_files",
|
|
python_callable=_check_files,
|
|
)
|
|
|
|
validate_params = PythonOperator(
|
|
task_id="validate_load_params",
|
|
python_callable=_validate_params,
|
|
)
|
|
|
|
check_kafka >> check_input_files_task >> validate_params
|
|
|
|
# -------------------------------------------------------------------------
|
|
# TaskGroup: ingest — загрузка данных
|
|
# -------------------------------------------------------------------------
|
|
with TaskGroup(group_id="ingest") as ingest:
|
|
prepare_topics_task = PythonOperator(
|
|
task_id="prepare_topics",
|
|
python_callable=_prepare_topics,
|
|
)
|
|
|
|
load_browser_events = PythonOperator(
|
|
task_id="load_browser_events",
|
|
python_callable=_load_events,
|
|
op_kwargs={"event_type": "browser"},
|
|
)
|
|
|
|
load_location_events = PythonOperator(
|
|
task_id="load_location_events",
|
|
python_callable=_load_events,
|
|
op_kwargs={"event_type": "location"},
|
|
)
|
|
|
|
load_device_events = PythonOperator(
|
|
task_id="load_device_events",
|
|
python_callable=_load_events,
|
|
op_kwargs={"event_type": "device"},
|
|
)
|
|
|
|
load_geo_events = PythonOperator(
|
|
task_id="load_geo_events",
|
|
python_callable=_load_events,
|
|
op_kwargs={"event_type": "geo"},
|
|
)
|
|
|
|
verify_publish_counts = PythonOperator(
|
|
task_id="verify_publish_counts",
|
|
python_callable=_verify_counts,
|
|
)
|
|
|
|
# Зависимости: подготовка -> параллельная загрузка -> проверка
|
|
prepare_topics_task >> [
|
|
load_browser_events,
|
|
load_location_events,
|
|
load_device_events,
|
|
load_geo_events,
|
|
] >> verify_publish_counts
|
|
|
|
# -------------------------------------------------------------------------
|
|
# Итоговая цепочка
|
|
# -------------------------------------------------------------------------
|
|
precheck >> ingest
|