Mara-pipelines：輕量級的數(shù)據(jù)轉(zhuǎn)換框架

Mara-pipelines 是一個輕量級的數(shù)據(jù)轉(zhuǎn)換框架，具有透明和低復雜性的特點。其他特點如下：

• 基于非常簡單的Python代碼就能完成流水線開發(fā)。
• 使用 PostgreSQL 作為數(shù)據(jù)處理引擎。
• 有Web界面可視化分析流水線執(zhí)行過程。
• 基于 Python 的 multiprocessing 單機流水線執(zhí)行。不需要分布式任務隊列。輕松調(diào)試和輸出日志。
• 基于成本的優(yōu)先隊列：首先運行具有較高成本（基于記錄的運行時間）的節(jié)點。

此外，在Mara-pipelines的Web界面中，你不僅可以查看和管理流水線及其任務節(jié)點，你還可以直接觸發(fā)這些流水線和節(jié)點，非常好用：

1.安裝

由于使用了大量的依賴，Mara-pipelines 并不適用于 Windows，如果你需要在 Windows 上使用 Mara-pipelines，請使用 Docker 或者 Windows 下的 linux 子系統(tǒng)。

使用pip安裝Mara-pipelines:

pip install mara-pipelines

或者：

pip install git+https://github.com/mara/mara-pipelines.git

2.使用示例

這是一個基礎的流水線演示，由三個相互依賴的節(jié)點組成，包括 任務1(ping_localhost), 子流水線(sub_pipeline), 任務2(sleep):

# 注意，這個示例中使用了部分國外的網(wǎng)站，如果無法訪問，請變更為國內(nèi)網(wǎng)站。
from mara_pipelines.commands.bash import RunBash
from mara_pipelines.pipelines import Pipeline, Task
from mara_pipelines.ui.cli import run_pipeline, run_interactively

pipeline = Pipeline(
    id='demo',
    description='A small pipeline that demonstrates the interplay between pipelines, tasks and commands')

pipeline.add(Task(id='ping_localhost', description='Pings localhost',
                  commands=[RunBash('ping -c 3 localhost')]))

sub_pipeline = Pipeline(id='sub_pipeline', description='Pings a number of hosts')

for host in ['google', 'amazon', 'facebook']:
    sub_pipeline.add(Task(id=f'ping_{host}', description=f'Pings {host}',
                          commands=[RunBash(f'ping -c 3 {host}.com')]))

sub_pipeline.add_dependency('ping_amazon', 'ping_facebook')
sub_pipeline.add(Task(id='ping_foo', description='Pings foo',
                      commands=[RunBash('ping foo')]), ['ping_amazon'])

pipeline.add(sub_pipeline, ['ping_localhost'])

pipeline.add(Task(id='sleep', description='Sleeps for 2 seconds',
                  commands=[RunBash('sleep 2')]), ['sub_pipeline'])

可以看到，Task包含了多個commands，這些 commands會用于真正地執(zhí)行動作。

而 pipeline.add 的參數(shù)中，第一個參數(shù)是其節(jié)點，第二個參數(shù)是此節(jié)點的上游。如：

pipeline.add(sub_pipeline, ['ping_localhost'])

則表明必須執(zhí)行完 ping_localhost 才會執(zhí)行 sub_pipeline.

為了運行這個流水線，需要配置一個 PostgreSQL 數(shù)據(jù)庫來存儲運行時信息、運行輸出和增量處理狀態(tài)：

import mara_db.auto_migration
import mara_db.config
import mara_db.dbs

mara_db.config.databases 
    = lambda: {'mara': mara_db.dbs.PostgreSQLDB(host='localhost', user='root', database='example_etl_mara')}

mara_db.auto_migration.auto_discover_models_and_migrate()

如果 PostgresSQL 正在運行并且賬號密碼正確，輸出如下所示（創(chuàng)建了一個包含多個表的數(shù)據(jù)庫）：

Created database "postgresql+psycopg2://root@localhost/example_etl_mara"

CREATE TABLE data_integration_file_dependency (
    node_path TEXT[] NOT NULL,
    dependency_type VARCHAR NOT NULL,
    hash VARCHAR,
    timestamp TIMESTAMP WITHOUT TIME ZONE,
    PRIMARY KEY (node_path, dependency_type)
);

.. more tables

為了運行這個流水線，你需要：

from mara_pipelines.ui.cli import run_pipeline

run_pipeline(pipeline)

這將運行單個流水線節(jié)點及其 ( **sub_pipeline ** ) 所依賴的所有節(jié)點：

run_pipeline(sub_pipeline, nodes=[sub_pipeline.nodes['ping_amazon']], with_upstreams=True)

3.Web 界面

我認為 mara-pipelines 最有用的是他們提供了基于Flask管控流水線的Web界面。

對于每條流水線，他們都有一個頁面顯示：

• 所有子節(jié)點的圖以及它們之間的依賴關系
• 流水線的總體運行時間圖表以及過去 30 天內(nèi)最昂貴的節(jié)點（可配置）
• 所有流水線節(jié)點及其平均運行時間和由此產(chǎn)生的排隊優(yōu)先級的表
• 流水線最后一次運行的輸出和時間線

對于每個任務，都有一個頁面顯示

• 流水線中任務的上游和下游
• 最近 30 天內(nèi)任務的運行時間
• 任務的所有命令
• 任務最后運行的輸出

此外，流水線和任務可以直接從網(wǎng)頁端調(diào)用運行，這是非常棒的特點：