In this chapter, you’ll gain a complete introduction to the components of Apache Airflow and learn how and why you should use them.

Introducción a Apache Airflow

Probar una tarea en Airflow

Examinar los comandos de Airflow

DAGs de Airflow

Definir un DAG sencillo

Trabajar con DAGs y la shell de Airflow

from airflow import DAG

default_args = {
  'owner': 'jdoe',
  'start_date': '2023-01-01'
}
with DAG("etl_update",
         default_args=default_args
        ):
    pass

____

default_args = {
  'owner': 'jdoe',
  'email': 'jdoe@datacamp.com'
}
with DAG( 'refresh_data', 
          default_args=default_args 
        ):
    pass

from airflow import DAG

default_args = {
  'owner': 'jdoe',
  'email': 'jdoe@datacamp.com'
}
with DAG( 'refresh_data', 
          default_args=default_args 
        ):
    pass

Solución de problemas al crear un DAG

Interfaz web de Airflow

Iniciar el servidor web de Airflow

Cómo moverte por la interfaz de Airflow

Examinar DAGs con la interfaz de Airflow

Intro to Airflow

What’s up DAG? Now it’s time to learn the basics of implementing Airflow DAGs. Through hands-on activities, you’ll learn how to set up and deploy operators, tasks, and scheduling.

Airflow operators

Defining a BashOperator task

Multiple BashOperators

Airflow tasks

Define order of BashOperators

Determining the order of tasks

Troubleshooting DAG dependencies

Additional operators

Using the PythonOperator

More PythonOperators

EmailOperator and dependencies

Airflow scheduling

Schedule a DAG via Python

Deciphering Airflow schedules

Troubleshooting DAG runs

Implementing Airflow DAGs

In this chapter, you’ll learn how to save yourself time using Airflow components such as sensors and executors while monitoring and troubleshooting Airflow workflows.

Airflow sensors

Sensors vs operators

Sensory deprivation

Airflow executors

Determining the executor

Executor implications

Debugging and troubleshooting in Airflow

DAGs in the bag

Missing DAG

SLAs and reporting in Airflow

Defining an SLA

Defining a task SLA

Generate and email a report

Adding status emails

Maintaining and monitoring Airflow workflows

Put it all together. In this final chapter, you’ll apply everything you've learned to build a production-quality workflow in Airflow.

Working with templates

Creating a templated BashOperator

Templates with multiple arguments

More templates

Using lists with templates

Understanding parameter options

Sending templated emails

Branching

Define a BranchPythonOperator

Branch troubleshooting

Creating a production pipeline

Creating a production pipeline #1

Creating a production pipeline #2

Adding the final changes to your pipeline

Congratulations!

Building production pipelines in Airflow

Actualizado a Apache Airflow 2.7: entregar datos con una programación puede convertirse en un proceso manual. Escribes scripts, añades tareas cron complejas y pruebas distintas formas de cumplir unos requisitos que cambian constantemente, y gestionar todo esto es aún más complicado cuando trabajas en equipo. Apache Airflow puede quitarte este dolor de cabeza añadiendo planificación, gestión de errores e informes a tus flujos de trabajo. En este curso, dominarás lo básico de Apache Airflow y aprenderás a implementar en producción canalizaciones complejas de ingeniería de datos. También aprenderás a usar grafos acíclicos dirigidos (DAGs), automatizar flujos de trabajo de ingeniería de datos e implementar tareas de ingeniería de datos de forma sencilla y repetible, ayudándote a mantener la calma.

Intermediate Python

Introduction to Shell

Aprende a implementar y programar flujos de trabajo de ingeniería de datos con Airflow y DAGs en Python.

Introducción a Apache Airflow en Python

Aprende a implantar y programar flujos de trabajo de ingeniería de datos.

Ingeniero de datos en Python

Solución de problemas al crear un DAG

Introducción a Apache Airflow en Python

Ejercicio interactivo práctico