Luigi是用于工作流管理的Python工具。它是在Spotify开发的,旨在帮助构建批处理作业的复杂数据管道。

1. 安装 Luigi

pip install luigi

2. 简单例子

有两个核心概念可用来了解如何将Luigi应用于我们自己的数据管道:任务和目标。任务是工作的一个单元,通过扩展类luigi.Task并覆盖一些基本方法来设计。任务的输出是目标,可以是本地文件系统上的文件,Amazon S3上的文件,数据库中的某些数据等。

依赖关系是根据输入和输出定义的,即如果TaskB依赖TaskA,则意味着TaskA的输出将是TaskB的输入。

# Filename: run_luigi.py
import luigi

class PrintNumbers(luigi.Task):

def requires(self):
return []

def output(self):
return luigi.LocalTarget("numbers_up_to_10.txt")

def run(self):
with self.output().open('w') as f:
for i in range(1, 11):
f.write("{}\n".format(i))

class SquaredNumbers(luigi.Task):

def requires(self):
return [PrintNumbers()]

def output(self):
return luigi.LocalTarget("squares.txt")

def run(self):
with self.input()[0].open() as fin, self.output().open('w') as fout:
for line in fin:
n = int(line.strip())
out = n * n
fout.write("{}:{}\n".format(n, out))

# if __name__ == '__main__':
# luigi.run()
luigi.run() # 没有这一行无法运行

此代码展示了两个任务:PrintNumbers,它将1到10的数字写入一个名为Numbers_up_to_10.txt的文件(每行一个数字),以及SquaredNumbers,该文件读取该文件并将数字-平方对对的列表输出到squares.txt,每行也一对。

在命令运行:

python run_luigi.py SquaredNumbers --local-scheduler

Luigi将负责检查任务之间的依赖关系,请注意不存在SquaredNumbers的输入,因此它将首先运行PrintNumbers任务,然后继续执行。

我们传递给Luigi的第一个参数是我们要运行的管道中最后一个任务的名称。第二个参数只是告诉Luigi使用本地调度程序(稍后会详细介绍)。

输出:

DEBUG: Checking if SquaredNumbers() is complete
INFO: Informed scheduler that task SquaredNumbers__99914b932b has status DONE
INFO: Done scheduling tasks
INFO: Running Worker with 1 processes
DEBUG: Asking scheduler for work...
DEBUG: Done
DEBUG: There are no more tasks to run at this time
INFO: Worker Worker(salt=899583362, workers=1, host=C02D70PKMD6R, username=jiangsu, pid=84021) was stopped. Shutting down Keep-Alive thread
INFO:
===== Luigi Execution Summary =====

Scheduled 1 tasks of which:
* 1 complete ones were encountered:
- 1 SquaredNumbers()

Did not run any tasks
This progress looks :) because there were no failed tasks or missing dependencies

===== Luigi Execution Summary =====

产生两个文件

numbers_up_to_10.txt
squares.txt

也可以使用luigi命令(笔者没有跑通):

luigi -m run_luigi.py SquaredNumbers --local-scheduler

3. 任务剖析

要创建Luigi任务,我们只需要创建一个父类为luigi.Task的类,并覆盖一些方法。特别是:

  • require()应该返回给定任务的依赖关系列表-换句话说,任务列表
  • output()应该返回任务的目标(例如LocalTarget,S3Target等)
  • run()应该包含要执行的逻辑

Luigi将检查require()和output()的返回值,并相应地构建依赖关系图。

4. 传递参数

硬编码的文件名和配置值通常是一种反模式。一旦了解了任务的结构和动态性,就应该研究如何对所有配置方面进行参数设置,以便可以使用不同的参数动态调用同一脚本。

luigi.Parameter()类是您研究的地方。每个Luigi任务可以具有许多参数。例如,假设我们要修改前面的示例以支持自定义数字。由于我们与range()函数一起使用的参数是整数,因此我们可以使用luigi.IntParameter而不是默认参数类。修改后的任务如下所示:

# run with a custom --n
# python run_luigi.py SquaredNumbers --local-scheduler --n 20

import luigi

class PrintNumbers(luigi.Task):
n = luigi.IntParameter(default=10)

def requires(self):
return []

def output(self):
return luigi.LocalTarget("numbers_up_to_{}.txt".format(self.n))

def run(self):
with self.output().open('w') as f:
for i in range(1, self.n+1):
f.write("{}\n".format(i))

class SquaredNumbers(luigi.Task):
n = luigi.IntParameter(default=10)

def requires(self):
return [PrintNumbers(n=self.n)]

def output(self):
return luigi.LocalTarget("squares_up_to_{}.txt".format(self.n))

def run(self):
with self.input()[0].open() as fin, self.output().open('w') as fout:
for line in fin:
n = int(line.strip())
out = n * n
fout.write("{}:{}\n".format(n, out))

if __name__ == '__main__':
luigi.run()

最多调用20个SquaredNumbers任务:

命名行运行:

python run_luigi.py SquaredNumbers --local-scheduler --n 20

参数也可以具有默认值,例如

n = luigi.IntParameter(default=10)

因此,如果不指定–n参数,它将默认为10。

5. 本地与全局调度程序

相见参考[1]、[2]

参考:

  1. ​Building Data Pipelines with Python and Luigi​
  2. ​luigid的启动与简单使用​