python - 如何在 Windows 主机上从 apache Airflow 使用 DockerOperator

Question

我已经在本地成功开发了一个 super 简单的 ETL 流程(下面称为 load_staging)，该流程从某个远程位置提取数据，然后将未处理的数据写入本地 Windows 计算机上的 MongoDB 容器中。现在，我想使用 DockerOperator 为每个任务使用 Apache-Airflow 来安排此过程，即我想创建源代码的 docker 镜像，然后使用 DockerOperator 执行该镜像中的源代码。由于我在 Windows 机器上工作，因此我只能从 Docker 容器内部使用 Airflow。

我已经使用docker-compose up启动了airflow容器(下面称为webserver)和MongoDB容器(下面称为mongo)，并在Airflow的GUI中手动触发了DAG。根据 Airflow 的说法，任务正在成功执行，但似乎 docker 镜像内的代码没有被执行，因为任务完成得太快，并且在从我的镜像启动 docker 容器后，任务执行时出现错误代码 0，即我没有看到任务本身的任何日志输出。请参阅下面的日志:

[2020-01-20 17:09:44,444] {{docker_operator.py:194}} INFO - Starting docker container from image myaccount/myrepo:load_staging_op
[2020-01-20 17:09:50,473] {{logging_mixin.py:95}} INFO - [[34m2020-01-20 17:09:50,472[0m] {{[34mlocal_task_job.py:[0m105}} INFO[0m - Task exited with return code 0[0m

所以，我的两个问题是:

1. 我是否得出了正确的结论，或者这个问题的根源可能是什么？
2. 如何确保图像内的代码始终被执行？

下面您可以找到有关如何设置 DockerOperator、如何定义应该由 DockerOperator 执行的镜像、启动 Web 服务器的 docker-compose.yml 文件以及mongo 容器和用于创建 Web 服务器容器的 Dockerfile。

在我的 DAG 定义文件中，我指定了 DockerOperator，如下所示:

CONFIG_FILEPATH = "/configs/docker_execution.ini"
data_object_name = "some_name"
task_id_ = "{}_task".format(data_object_name)
cmd = "python /src/etl/load_staging_op/main.py --config_filepath={} --data_object_name={}".format(CONFIG_FILEPATH, data_object_name)
staging_op = DockerOperator(
            command=cmd,
            task_id=task_id_,
            image="myaccount/myrepo:load_staging_op",
            api_version="auto",
            auto_remove=True
)

上面引用的镜像 load_staging_op 的 Dockerfile 如下所示:

# Inherit from Python image
FROM python:3.7

# Install environment
USER root
COPY ./src/etl/load_staging_op/requirements.txt ./
RUN pip install -r requirements.txt

# Copy source code files into container
COPY ./configs /configs
COPY ./wsdl /wsdl
COPY ./src/all_constants.py /src/all_constants.py
COPY ./src/etl/load_staging_op/utils.py /src/etl/load_staging_op/utils.py
COPY ./src/etl/load_staging_op/main.py /src/etl/load_staging_op/main.py

# Extend python path so that custom modules are found
ENV PYTHONPATH "${PYTHONPATH}:/src"

ENTRYPOINT [ "sh", "-c"]

docker-compose.yml 文件的相关方面如下:

version: '2.1'
services:
    webserver:
        build: ./docker-airflow
        restart: always
        privileged: true
        depends_on:
            - mongo
            - mongo-express
        volumes:
            - ./docker-airflow/dags:/usr/local/airflow/dags
            # source code volume
            - ./src:/src
            - ./docker-airflow/workdir:/home/workdir
            # Mount the docker socket from the host (currently my laptop) into the webserver container
            # so that we can build docker images from inside the webserver container.
            - //var/run/docker.sock:/var/run/docker.sock  # the two "//" are needed for windows OS
            - ./configs:/configs
            - ./wsdl:/wsdl
        ports:
            # Change port to 8081 to avoid Jupyter conflicts
            - 8081:8080
        command: webserver
        healthcheck:
            test: ["CMD-SHELL", "[ -f /usr/local/airflow/airflow-webserver.pid ]"]
            interval: 30s
            timeout: 30s
            retries: 3
        networks:
            - mynet

    mongo:
        container_name: mymongo
        image: mongo
        restart: always
        ports:
            - 27017:27017
        networks:
            - mynet

上述 Dockerfile 中引用的 Web 服务器容器的 Dockerfile 如下所示:

FROM puckel/docker-airflow:1.10.4

# Adds DAG folder to the PATH
ENV PYTHONPATH "${PYTHONPATH}:/src:/usr/local/airflow/dags"

# Install the optional packages
COPY requirements.txt requirements.txt  # make sure something like docker==4.1.0 is in this requirements.txt file!
USER root
RUN pip install -r requirements.txt

# Install docker inside the webserver container
RUN curl -sSL https://get.docker.com/ | sh
ENV SHARE_DIR /usr/local/share

# Install simple text editor for debugging
RUN ["apt-get", "update"]
RUN ["apt-get", "-y", "install", "vim"]

感谢您的帮助，非常感谢!

Answer 1

衷心感谢所有花时间帮助我解决问题的人。我需要实现以下更改才能使其正常工作:

Docker 操作符:

• 调整在运行时(即构建容器时)传递给容器的命令
• 将参数 network_mode 添加到 Web 服务器容器运行的网络。这对我来说很困难，因为我是 Docker 新手，在网上找不到太多关于此的教程。为了查找运行 Web 服务器容器的网络名称，我使用诸如 docker network ls 之类的工具列出了主机(=windows 笔记本电脑)上当前所有事件的网络。在显示的网络列表中，我看到一个名为 project_root_dirname_mynet 的网络，它是我的项目根目录和 docker-compose.yml 中指定的网络名称的组合> 文件。有趣的是(而且显然)，列出所有网络后，您可以使用诸如 docker network Inspection project_root_dirname_mynet 之类的命令来检查网络project_root_dirname_mynet。这将返回一个带有“containers”小节的 json 文件，您可以在其中看到 docker-compose.yml 文件中指定的所有容器。

DockerOperator 的代码变为:

cmd = "--config_filepath {} --data_object_name {}".format(CONFIG_FILEPATH.strip(), data_object_name.strip())
print("Command: {}".format(cmd))
staging_op = DockerOperator(
    command=cmd,
    task_id=task_id_,
    image="myaccount/myrepo:load_staging_op",
    api_version="auto",
    auto_remove=True,
    network_mode="project_root_dirname_mynet"
)

load_staging_op 任务的 Dockerfile:

• 将最后一行从 ENTRYPOINT [ "sh", "-c"] 更改为 ENTRYPOINT [ "python", "/src/etl/load_staging_op/main.py"]。我认为“python”参数将在容器中打开一个Python控制台，第二个参数只是您想要在docker容器内执行的脚本的路径。然后，在运行时(或构建时或无论如何调用)，上面的 cmd 中的命令行参数将被传递。在图像的源代码中，您可以使用像 argparse 这样的库来检索这些命令。