○책 속으로

이 책은 데이터 파이프라인을 처리하기 위한 배치 태스크에 중심을 둔 Apache Airflow에 초점을 맞추고 있습니다. Airflow의 주요 기능은 유연한 파이썬 프레임워크를 사용해 쉽게 데이터 파이프라인을 구축할 수 있게 해 주며, 최신 기술 환경에서 접하게 되는 서로 다른 기술들을 연결할 수 있는 다양한 빌딩 블록을 제공하는 것입니다. _3쪽

Airflow는 파이썬 스크립트로 DAG의 구조를 설명하고 구성합니다(DAG 파일 안에 파이썬 코드를 사용하여 DAG를 정의함). 따라서 일반적으로 각 DAG 파일은 주어진 DAG에 대한 태스크 집합과 태스크 간의 의존성을 기술하고, Airflow는 DAG 구조를 식별하기 위해 코드를 파싱(parsing)합니다(표지 뒷날개 그림 참고). _10쪽

Airflow를 사용하면 임의의 시작 날짜로부터 스케줄 간격을 정의할 수 있으므로 과거의 시작 날짜부터 과거 간격을 정의할 수도 있습니다. 이 속성을 사용하여 과거 데이터 세트를 로드하거나 분석하기 위해 DAG의 과거 기록을 실행할 수 있습니다. 이 프로세스를 일반적으로 백필(backfilling)이라고 합니다. _56쪽

모든 오퍼레이터 인수가 템플릿이 될 수 있는 것은 아닙니다. 모든 오퍼레이터는 템플릿으로 만들 수 있는 속성의 허용 리스트를 유지합니다. 기본적으로 {{name}} 문자열은 Jinja에서 템플릿 가능한 속성 리스트에 포함되지 않으면 {{name}} 그대로 문자열로 해석됩니다. 이 리스트는 모든 오퍼레이터의 template_fields 속성에 의해 설정됩니다. _67쪽

트리거 규칙은 태스크의 의존성 기능(\u003d DAG 안에서 선행 태스크 조건)과 같이 Airflow가 태스크가 실행 준비가 되어 있는지 여부를 결정하기 위한 필수적인 조건입니다. Airflow의 기본 트리거 규칙은 all_success이며, 태스크를 실행하려면 모든 의존적인 태스크가 모두 성공적으로 완료되어야 함을 의미합니다. _103쪽

태스크는 결정적(deterministic)일 때만 재현할 수 있습니다. 즉, 태스크는 주어진 입력에 대해 항상 동일한 출력을 반환해야 합니다. 대조적으로, 비결정적(nondeterministic) 태스크는 동일한 입력 데이터에 대해서도 실행할 때마다 다른 결과를 제공할 수 있으므로 재현 가능한 DAG를 구현할 수 없습니다. _289쪽

○추천사
Jonathan Woods(LexisNexis)
“Airflow에 관한 한, 지금까지의 자료 중 최고입니다.”

Rambabu Posa(Sai AAshika consultancy)
“Airflow의 바이블입니다. 초보자에서부터 전문가까지 모든 사용자에게 매우 유용합니다.”

Daniel Lamblin(Coupang)
“책을 읽고 따라하다 보면, 데이터 파이프라인의 오케스트레이션 작업에서 Airflow가 지닌 장점을 쉽게 파악할 수 있습니다.”

Thorsten Weber(bbv Software Services AG)
“Apache Airflow를 사용하여 워크플로를 생성, 작성, 스케줄, 그리고 모니터링할 때 이 책 한 권만 참고하면 됩니다. 의심의 여지 없이 추천합니다.”

옮긴이 머리말 xiii
번역서 추천사 xv
베타리더 후기 xvii
원서 추천사 xix
시작하며 xx
감사의 글 xxii
이 책에 대하여 xxiv
표지에 대하여 xxviii

PART I 기본편
CHAPTER 1 Apache Airflow 살펴보기 3
1.1 데이터 파이프라인 소개 4
1.1.1 데이터 파이프라인 그래프 4
1.1.2 파이프라인 그래프 실행 6
1.1.3 그래프 파이프라인과 절차적 스크립트 파이프라인 비교 7
1.1.4 워크플로 매니저를 이용한 파이프라인 실행 9
1.2 Airflow 소개 10
1.2.1 파이썬 코드로 유연한 파이프라인 정의 10
1.2.2 파이프라인 스케줄링 및 실행 11
1.2.3 모니터링과 실패 처리 13
1.2.4 점진적 로딩 및 백필 16
1.3 언제 Airflow를 사용해야 할까 16
1.3.1 Airflow를 선택하는 이유 17
1.3.2 Airflow가 적합하지 않은 경우 17
1.4 이후 내용 18
요약 19

CHAPTER 2 Airflow DAG의 구조 20
2.1 다양한 소스에서 데이터 수집 21
2.1.1 데이터 탐색 21
2.2 첫 번째 Airflow DAG 작성 23
2.2.1 태스크와 오퍼레이터 차이점 27
2.2.2 임의 파이썬 코드 실행 27
2.3 Airflow에서 DAG 실행하기 30
2.3.1 파이썬 환경에서 Airflow 실행 30
2.3.2 도커 컨테이너에서 Airflow 실행하기 31
2.3.3 Airflow UI 둘러보기 32
2.4 스케줄 간격으로 실행하기 36
2.5 실패한 태스크에 대한 처리 37
요약 40

CHAPTER 3 Airflow의 스케줄링 41
3.1 예시: 사용자 이벤트 처리하기 41
3.2 정기적으로 실행하기 43
3.2.1 스케줄 간격 정의하기 43
3.2.2 Cron 기반의 스케줄 간격 설정하기 45
3.2.3 빈도 기반의 스케줄 간격 설정하기 47
3.3 데이터 증분 처리하기 48
3.3.1 이벤트 데이터 증분 가져오기 48
3.3.2 실행 날짜를 사용하여 동적 시간 참조하기 49
3.3.3 데이터 파티셔닝 51
3.4 Airflow의 실행 날짜 이해 53
3.4.1 고정된 스케줄 간격으로 태스크 실행 53
3.5 과거 데이터 간격을 메꾸기 위해 백필 사용하기 56
3.5.1 과거 시점의 작업 실행하기 56
3.6 태스크 디자인을 위한 모범 사례 57
3.6.1 원자성 57
3.6.2 멱등성 59
요약 60

CHAPTER 4 Airflow 콘텍스트를 사용하여 태스크 템플릿 작업하기 62
4.1 Airflow로 처리할 데이터 검사하기 62
4.1.1 증분 데이터를 적재하는 방법 결정하기 63
4.2 태스크 콘텍스트와 Jinja 템플릿 작업 65
4.2.1 오퍼레이터의 인수 템플릿 작업 65
4.2.2 템플릿에 무엇이 사용 가능할까요? 67
4.2.3 PythonOperator 템플릿 70
4.2.4 PythonOperator에 변수 제공 75
4.2.5 템플릿의 인수 검사하기 76
4.3 다른 시스템과 연결하기 78
요약 86

CHAPTER 5 태스크 간 의존성 정의하기 87
5.1 기본 의존성 유형 88
5.1.1 선형 의존성 유형 88
5.1.2 팬인/팬아웃(Fan-in/Fan-out) 의존성 89
5.2 브랜치하기 92
5.2.1 태스크 내에서 브랜치하기 92
5.2.2 DAG 내부에서 브랜치하기 94
5.3 조건부 태스크 99
5.3.1 태스크 내에서 조건 99
5.3.2 조건부 태스크 만들기 100
5.3.3 내장 오퍼레이터 사용하기 102
5.4 트리거 규칙에 대한 추가 정보 102
5.4.1 트리거 규칙이란? 103
5.4.2 실패의 영향 104
5.4.3 기타 트리거 규칙 104
5.5 태스크 간 데이터 공유 106
5.5.1 XCom을 사용하여 데이터 공유하기 106
5.5.2 XCom 사용 시 고려사항 109
5.5.3 커스텀 XCom 백엔드 사용하기 110
5.6 Taskflow API로 파이썬 태스크 연결하기 111
5.6.1 Taskflow API로 파이썬 태스크 단순화하기 111
5.6.2 Taskflow API를 사용하지 않는 경우 113
요약 115

PART II 중급편
CHAPTER 6 워크플로 트리거 119
6.1 센서를 사용한 폴링 조건 120
6.1.1 사용자 지정 조건 폴링 123
6.1.2 원활하지 않는 흐름의 센서 처리 124
6.2 다른 DAG를 트리거하기 127
6.2.1 TriggerDagRunOperator로 백필 작업 131
6.2.2 다른 DAG의 상태를 폴링하기 132
6.3 REST/CLI를 이용해 워크플로 시작하기 135
요약 138

CHAPTER 7 외부 시스템과 통신하기 139
7.1 클라우드 서비스에 연결하기 140
7.1.1 추가 의존성 패키지 설치하기 141
7.1.2 머신러닝 모델 개발하기 142
7.1.3 외부 시스템을 사용하여 개발하기 147
7.2 시스템 간 데이터 이동하기 155
7.2.1 PostgresToS3Operator 구현하기 156
7.2.2 큰 작업을 외부에서 수행하기 160
요약 162

CHAPTER 8 커스텀 컴포넌트 빌드 163
8.1 PythonOperator로 작업하기 164
8.1.1 영화 평점 API 시뮬레이션하기 164
8.1.2 API에서 평점 데이터 가져오기 167
8.1.3 실제 DAG 구축하기 170
8.2 커스텀 훅 빌드하기 173
8.2.1 커스텀 훅 설계하기 173
8.2.2 MovielensHook로 DAG 빌드하기 179
8.3 커스텀 오퍼레이터 빌드하기 181
8.3.1 커스텀 오퍼레이터 정의하기 182
8.3.2 평점 데이터를 가져오기 위한 오퍼레이터 빌드하기 183
8.4 커스텀 센서 빌드하기 187
8.5 컴포넌트 패키징하기 190
8.5.1 파이썬 패키지 부트스트랩 작업하기 191
8.5.2 패키지 설치하기 194
요약 195

CHAPTER 9 테스트하기 197
9.1 테스트 시작하기 198
9.1.1 모든 DAG에 대한 무결성 테스트 198
9.1.2 CI/CD 파이프라인 설정하기 205
9.1.3 단위 테스트 작성하기 207
9.1.4 Pytest 프로젝트 구성하기 209
9.1.5 디스크의 파일로 테스트하기 214
9.2 테스트에서 DAG 및 태스크 콘텍스트로 작업하기 216
9.2.1 외부 시스템 작업 222
9.3 개발을 위해 테스트 사용하기 229
9.3.1 DAG 완료 테스트하기 232
9.4 Whirl을 이용한 프로덕션 환경 에뮬레이션 233
9.5 DTAP 환경 생성하기 233
요약 234

CHAPTER 10 컨테이너에서 태스크 실행하기 235
10.1 다양한 오퍼레이터를 쓸 때 고려해야 할 점 235
10.1.1 오퍼레이터 인터페이스 및 구현하기 236
10.1.2 복잡하며 종속성이 충돌하는 환경 236
10.1.3 제네릭 오퍼레이터 지향하기 237
10.2 컨테이너 소개하기 238
10.2.1 컨테이너란 무엇인가? 238
10.2.2 첫 도커 컨테이너 실행하기 239
10.2.3 도커 이미지 생성하기 240
10.2.4 볼륨을 사용하여 데이터를 유지하기 243
10.3 컨테이너와 Airflow 245
10.3.1 컨테이너 내의 태스크 245
10.3.2 왜 컨테이너를 사용하는가? 246
10.4 도커에서 태스크 실행하기 247
10.4.1 DockerOperator 소개 247
10.4.2 태스크를 위한 컨테이너 이미지 생성하기 249
10.4.3 도커 태스크로 DAG 구성하기 252
10.4.4 도커 기반의 워크플로 255
10.5 쿠버네티스에서 태스크 실행 256
10.5.1 쿠버네티스 소개 257
10.5.2 쿠버네티스 설정하기 258
10.5.3 KubernetesPodOperator 사용하기 261
10.5.4 쿠버네티스 관련 문제 진단하기 265
10.5.5 도커 기반 워크플로와 차이점 267
요약 268

PART III Airflow 실습
CHAPTER 11 모범 사례 271
11.1 깔끔한 DAG 작성 271
11.1.1 스타일 가이드 사용 272
11.1.2 중앙에서 자격 증명 관리 276
11.1.3 구성 세부 정보를 일관성 있게 지정하기 278
11.1.4 DAG 구성 시 연산 부분 배제 280
11.1.5 Factory 함수를 사용한 공통 패턴 생성 283
11.1.6 태스크 그룹을 사용하여 관련된 태스크들의 그룹 만들기 286
11.1.7 대규모 수정을 위한 새로운 DAG 생성 288
11.2 재현 가능한 태스크 설계 288
11.2.1 태스크는 항상 멱등성을 가져야 합니다 289
11.2.2 태스크 결과는 결정적이어야 합니다 289
11.2.3 함수형 패러다임을 사용하여 태스크 설계합니다 290
11.3 효율적인 데이터 처리 291
11.3.1 데이터의 처리량 제한하기 291
11.3.2 증분 적재 및 처리 292
11.3.3 중간 단계 데이터 캐싱 293
11.3.4 로컬 파일 시스템에 데이터 저장 방지 294
11.3.5 외부/소스 시스템으로 작업을 이전하기 295
11.4 자원관리 295
11.4.1 Pool을 이용한 동시성 관리하기 295
11.4.2 SLA 및 경고를 사용하여 장기 실행 작업 탐지 297
요약 298

CHAPTER 12 운영환경에서 Airflow 관리 300
12.1 Airflow 아키텍처 301
12.1.1 어떤 익스큐터가 적합한가? 302
12.1.2 Airflow를 위한 메타스토어 설정 304
12.1.3 스케줄러 자세히 살펴보기 306
12.2 익스큐터 설치 311
12.2.1 SequentialExecutor 설정 312
12.2.2 LocalExecutor 설정 312
12.2.3 CeleryExecutor 설정 313
12.2.4 KubernetesExecutor 설정 317
12.3 모든 Airflow 프로세스의 로그 확인 324
12.3.1 웹 서버 로그 저장 325
12.3.2 스케줄러 로그 저장 326
12.3.3 태스크 로그 저장 327
12.3.4 원격 저장소로 로그 보내기 328
12.4 Airflow 메트릭 시각화 및 모니터링 328
12.4.1 Airflow로부터 메트릭 수집하기 329
12.4.2 측정 항목을 전송하도록 Airflow 구성 331
12.4.3 메트릭을 수집하도록 Prometheus 구성 331
12.4.4 Grafana를 이용한 대시보드 생성 334
12.4.5 무엇을 모니터링해야 하는가? 336
12.5 실패한 태스크에 대한 알림을 받는 방법 338
12.5.1 DAG 및 오퍼레이터에서 경고 338
12.5.2 서비스 수준 계약 정의 341
12.6 확장성 및 성능 342
12.6.1 실행중인 태스크의 최대 수 제어 343
12.6.2 시스템 성능 구성 344
12.6.3 여러 스케줄러 실행 345
요약 346

CHAPTER 13 Airflow 보안 347
13.1 Airflow 웹 인터페이스에서 보안 348
13.1.1 RBAC 인터페이스에서 사용자 추가 348
13.1.2 RBAC 인터페이스 설정 352
13.2 미사용 데이터 암호화 353
13.2.1 Fernet Key 생성 354
13.3 LDAP 서비스로 연결 355
13.3.1 LDAP의 이해 356
13.3.2 LDAP 서비스에서 사용자 가져오기 358
13.4 웹 서버에 대한 트래픽 암호화 359
13.4.1 HTTPS 이해 360
13.4.2 HTTPS용 인증서 구성 362
13.5 시크릿 관리 시스템에서 자격 증명 가져오기 366
요약 370

CHAPTER 14 프로젝트: 뉴욕에서 가장 빠른 길 찾기 371
14.1 데이터에 대한 이해 374
14.1.1 Yellow Cab 파일 공유 375
14.1.2 Citi Bike REST API 376
14.1.3 접근 계획 결정 377
14.2 데이터 추출 378
14.2.1 Citi Bike 데이터 다운로드하기 378
14.2.2 Yellow Cab 데이터 다운로드 380
14.3 데이터에 유사한 변환 적용 383
14.4 데이터 파이프 라인 구조화 388
14.5 재현 가능한 데이터 파이프 라인 개발 390
요약 392

PART IV 클라우드에서의 Airflow
CHAPTER 15 클라우드에서의 Airflow 395
15.1 클라우드 배포 정책 설계 396
15.2 클라우드 전용 오퍼레이터와 훅 397
15.3 관리형 서비스 398
15.3.1 Astronomer.io 399
15.3.2 구글 Cloud Composer 400
15.3.3 아마존 Managed Workflows for Apache Airflow 400
15.4 배포 전략 선택 401
요약 402

CHAPTER 16 AWS에서의 Airflow 404
16.1 AWS에서 Airflow 배포 404
16.1.1 클라우드 서비스 선택 405
16.1.2 네트워크 설계 406
16.1.3 DAG 동기화 추가 407
16.1.4 CeleryExecutor를 사용하여 스케일링 407
16.1.5 추가 단계 409
16.2 AWS 전용 훅과 오퍼레이터 410
16.3 사용 사례: AWS Athena를 사용한 서버리스 영화 랭킹 구축 412
16.3.1 개요 412
16.3.2 리소스 설정 413
16.3.3 DAG 구현 416
16.3.4 리소스 정리 422
요약 422

CHAPTER 17 Azure에서의 Airflow 424
17.1 Azure에서 Airflow 배포 424
17.1.1 서비스 선택 425
17.1.2 네트워크 설계 426
17.1.3 CeleryExecutor를 사용하여 확장성 개선 428
17.1.4 추가 단계 429
17.2 Azure 전용 훅/오퍼레이터 429
17.3 예제: Azure Synapse를 사용하여 서버리스 영화 랭킹 구축 430
17.3.1 개요 430
17.3.2 리소스 구성 431
17.3.3 DAG 구현 435
17.3.4 정리 작업 442
요약 442

CHAPTER 18 GCP에서의 Airflow 443
18.1 GCP에서 Airflow 배포 443
18.1.1 서비스 선택 444
18.1.2 헬름으로 GKE에 배포 447
18.1.3 구글 서비스와 연동하기 449
18.1.4 네트워크 설계 451
18.1.5 CeleryExecutor를 사용한 스케일링 452
18.2 GCP 전용 훅과 오퍼레이터 455
18.3 사용 사례: GCP에서 서버리스 영화 랭킹 구축 460
18.3.1 GCS로 데이터 업로드 461
18.3.2 BigQuery에 데이터 로드하기 463
18.3.3 최고 영화 평점 추출 466
요약 468

APPENDIX A 실행 코드 예제 470
A.1 코드 구성 470
A.2 예제 실행 471
A.2.1 도커 환경 시작하기 471
A.2.2 실행 중인 서비스 검사하기 472
A.2.3 환경 제거 472

APPENDIX B Airflow 1과 2의 패키지 구성 474
B.1 Airflow 1 패키지 구성 474
B.2 Airflow 2 패키지 구성 475

APPENDIX C Prometheus 메트릭 매핑 479