代码之家 › 专栏 › 技术社区 › hlagos

在气流中从BigQueryOperator获取结果

airflow google-bigquery python

hlagos · 技术社区 · 6 年前

我正试图从 BigQueryOperator 使用气流,但我找不到方法。我试着打电话给 next() 方法在 bq_cursor 成员(在1.10中可用),但它返回 None . 我就是这么做的

import datetime
import logging

from airflow import models
from airflow.contrib.operators import bigquery_operator
from airflow.operators import python_operator


yesterday = datetime.datetime.combine(
    datetime.datetime.today() - datetime.timedelta(1),
    datetime.datetime.min.time()
)

def MyChequer(**kwargs):
    big_query_count = bigquery_operator.BigQueryOperator(
        task_id='my_bq_query',
        sql='select count(*) from mydataset.mytable'
    )

    big_query_count.execute(context=kwargs)

    logging.info(big_query_count)
    logging.info(big_query_count.__dict__)
    logging.info(big_query_count.bq_cursor.next())

default_dag_args = {
    'start_date': yesterday,
    'email_on_failure': False,
    'email_on_retry': False,
    'project_id': 'myproject'
}

with models.DAG(
        'bigquery_results_execution',
        # Continue to run DAG once per day
        schedule_interval=datetime.timedelta(days=1),
        default_args=default_dag_args) as dag:

    myoperator = python_operator.PythonOperator(
        task_id='threshold_operator',
        provide_context=True,
        python_callable=MyChequer
    )

    # Define DAG
    myoperator

看看 bigquery_hook.py 和 bigquery_operator.py 这似乎是获取结果的唯一可用方法。

3 回复 | 直到 6 年前

Mike 6 年前

每当我需要从BigQuery查询中获取数据并将其用于某种用途时,我都会使用BigQuery钩子创建自己的运算符。我通常将其称为BigQueryToxOperator,我们有一堆用于将BigQuery数据发送到其他内部系统的运算符。

例如,我有一个bigquery to pubsub操作符,作为一个示例,您可能会发现它对于如何查询bigquery,然后逐行处理结果,将它们发送到google pubsub非常有用。请考虑以下通用示例代码,以了解如何单独执行此操作:

class BigQueryToXOperator(BaseOperator):
    template_fields = ['sql']
    ui_color = '#000000'

    @apply_defaults
    def __init__(
            self,
            sql,
            keys,
            bigquery_conn_id='bigquery_default',
            delegate_to=None,
            *args,
            **kwargs):
        super(BigQueryToXOperator, self).__init__(*args, **kwargs)
        self.sql = sql
        self.keys = keys # A list of keys for the columns in the result set of sql
        self.bigquery_conn_id = bigquery_conn_id
        self.delegate_to = delegate_to


    def execute(self, context):
        """
        Run query and handle results row by row.
        """
        cursor = self._query_bigquery()
        for row in cursor.fetchall():
            # Zip keys and row together because the cursor returns a list of list (not list of dicts)
            row_dict = dumps(dict(zip(self.keys,row))).encode('utf-8')

            # Do what you want with the row...
            handle_row(row_dict)


    def _query_bigquery(self):
        """
        Queries BigQuery and returns a cursor to the results.
        """
        bq = BigQueryHook(bigquery_conn_id=self.bigquery_conn_id,
                          use_legacy_sql=False)
        conn = bq.get_conn()
        cursor = conn.cursor()
        cursor.execute(self.sql)
        return cursor

hlagos 6 年前

感谢@kaxil和@mike的回答。我发现了问题。在我的头脑里有一种虫子 BigQueryCursor . 作为其中的一部分 run_with_configuration ,的 running_job_id 正在返回但从未分配给 job_id 用于将结果拉入 next 方法。一个变通方法(如果不想重新实现所有内容,则不是很优雅,但很好)是分配 乔布斯 基于 奔跑 在这个钩子里

big_query_count.execute(context=kwargs)
#workaround
big_query_count.bq_cursor.job_id = big_query_count.bq_cursor.running_job_id
logging.info(big_query_count.bq_cursor.next())

一是解决问题 用配置运行 在流程结束时分配正确的作业ID,可以删除解决方法后的行。

kaxil 6 年前

你可以使用 BigQueryOperator 将结果保存到临时目标表中,然后使用 BigQueryGetDataOperator 获取以下结果,然后使用 BigQueryTableDeleteOperator 删除表格:

get_data = BigQueryGetDataOperator(
    task_id='get_data_from_bq',
    dataset_id='test_dataset',
    table_id='Transaction_partitions',
    max_results='100',
    selected_fields='DATE',
    bigquery_conn_id='airflow-service-account'
)

Docs:

BigQueryGetDataOperator : https://airflow.readthedocs.io/en/1.10.0/integration.html#bigquerygetdataoperator
BigQueryTableDeleteOperator : https://airflow.readthedocs.io/en/1.10.0/integration.html#bigquerytabledeleteoperator