使用 Google 转移操作符从其他服务转移数据

Managed Airflow（第 3 代） | Managed Airflow（第 2 代） | Managed Airflow（旧版第 1 代）

本页演示了如何在 DAG 中使用 Google Transfer Operator 从其他服务转移数据。

Google Transfer Operator 简介

Google Transfer Operators 是一组 Airflow 运算符，可用于将数据从其他服务拉取到Google Cloud。

本指南介绍了适用于 Azure FileShare Storage 和 Amazon S3 的运算符，这些运算符可与 Cloud Storage 搭配使用。还有许多其他转移运算符可与 内的服务以及除 Google Cloud 之外的服务搭配使用 Google Cloud。

Amazon S3 到 Cloud Storage

本部分演示了如何将数据从 Amazon S3 同步到 Cloud Storage 存储桶。

安装 Amazon 提供程序软件包

apache-airflow-providers-amazon 软件包包含与 Amazon S3 交互的连接类型和功能。在您的环境中安装此 PyPI 软件包 。

配置与 Amazon S3 的连接

Amazon 提供程序软件包为 Amazon S3 提供了一种连接类型。您可以创建此类型的连接。Cloud Storage 的连接（名为 google_cloud_default）已在您的环境中设置。

按以下方式设置与 Amazon S3 的连接：

  1. 在 Airflow 界面中，前往 管理 > 连接。
  2. 创建新连接。
  3. 选择 Amazon S3 作为连接类型。
  4. 以下示例使用名为 aws_s3 的连接。您可以使用此名称，也可以为连接使用任何其他名称。
  5. 按照 Airflow 文档中有关 Amazon Web Services 连接的说明指定连接参数。 例如，如需使用 AWS 访问密钥设置连接，请在 AWS 上为您的账号生成访问密钥，然后提供 AWS 访问密钥 ID 作为登录名，并提供 AWS 密钥访问密钥作为连接的密码。

从 Amazon S3 转移数据

如果您想在另一个 DAG 或任务中对同步的数据执行操作，请将其拉取到环境存储桶的 /data 文件夹中。此文件夹会同步到其他 Airflow 工作器，以便 DAG 中的任务可以对其执行操作。

以下示例 DAG 执行以下操作：

  • 将 /data-for-gcs 目录的内容从 S3 存储桶 同步到环境存储桶中的 /data/from-s3/data-for-gcs/ 文件夹。
  • 等待两分钟，以便数据同步到环境中的所有 Airflow 工作器。
  • 使用 ls 命令输出此目录中的文件列表。将此任务替换为可处理您的数据的其他 Airflow 运算符。
import datetime
import airflow
from airflow.providers.google.cloud.transfers.s3_to_gcs import S3ToGCSOperator
from airflow.operators.bash_operator import BashOperator

with airflow.DAG(
    'composer_sample_aws_to_gcs',
    start_date=datetime.datetime(2022, 1, 1),
    schedule=None,
) as dag:

    transfer_dir_from_s3 = S3ToGCSOperator(
        task_id='transfer_dir_from_s3',
        aws_conn_id='aws_s3',
        prefix='data-for-gcs',
        bucket='example-s3-bucket-transfer-operators',
        dest_gcs='gs://us-central1-example-environ-361f2312-bucket/data/from-s3/')

    sleep_2min = BashOperator(
        task_id='sleep_2min',
        bash_command='sleep 2m')

    print_dir_files = BashOperator(
        task_id='print_dir_files',
        bash_command='ls /home/airflow/gcs/data/from-s3/data-for-gcs/')


    transfer_dir_from_s3 >> sleep_2min >> print_dir_files

Azure FileShare 到 Cloud Storage

本部分演示了如何将数据从 Azure FileShare 同步到 Cloud Storage 存储桶。

安装 Microsoft Azure 提供程序软件包

apache-airflow-providers-microsoft-azure 软件包包含与 Microsoft Azure 交互的连接类型和功能。在您的环境中安装此 PyPI 软件包 。

配置与 Azure FileShare 的连接

Microsoft Azure 提供程序软件包为 Azure 文件共享提供了一种连接类型。您可以创建此类型的连接。Cloud Storage 的连接（名为 google_cloud_default）已在您的环境中设置。

按以下方式设置与 Azure FileShare 的连接：

  1. 在 Airflow 界面中，前往 管理 > 连接。
  2. 创建新连接。
  3. 选择 Azure FileShare 作为连接类型。
  4. 以下示例使用名为 azure_fileshare 的连接。您可以使用此名称，也可以为连接使用任何其他名称。
  5. 按照 Airflow 文档中有关 Microsoft Azure File Share 连接的说明指定连接参数。 例如，您可以为存储账号访问密钥指定连接字符串。

从 Azure FileShare 转移数据

如果您想在另一个 DAG 或任务中对同步的数据执行操作，请将其拉取到环境存储桶的 /data 文件夹中。此文件夹会同步到其他 Airflow 工作器，以便 DAG 中的任务可以对其执行操作。

以下 DAG 执行以下操作：

以下示例 DAG 执行以下操作：

  • 将 /data-for-gcs 目录的内容从 Azure File Share 同步到环境存储桶中的 /data/from-azure 文件夹。
  • 等待两分钟，以便数据同步到环境中的所有 Airflow 工作器。
  • 使用 ls 命令输出此目录中的文件列表。将此任务替换为可处理您的数据的其他 Airflow 运算符。
import datetime
import airflow
from airflow.providers.google.cloud.transfers.azure_fileshare_to_gcs import AzureFileShareToGCSOperator
from airflow.operators.bash_operator import BashOperator

with airflow.DAG(
    'composer_sample_azure_to_gcs',
    start_date=datetime.datetime(2022, 1, 1),
    schedule=None,
) as dag:

    transfer_dir_from_azure = AzureFileShareToGCSOperator(
        task_id='transfer_dir_from_azure',
        azure_fileshare_conn_id='azure_fileshare',
        share_name='example-file-share',
        directory_name='data-for-gcs',
        dest_gcs='gs://us-central1-example-environ-361f2312-bucket/data/from-azure/')

    sleep_2min = BashOperator(
        task_id='sleep_2min',
        bash_command='sleep 2m')

    print_dir_files = BashOperator(
        task_id='print_dir_files',
        bash_command='ls /home/airflow/gcs/data/from-azure/')


    transfer_dir_from_azure >> sleep_2min >> print_dir_files

后续步骤