Schulungsübersicht
Einführung in Apache Airflow
- Was ist Workflow-Orchestrierung
- Wichtige Funktionen und Vorteile von Apache Airflow
- Verbesserungen in Airflow 2.x und Überblick über das Ökosystem
Architektur und Grundkonzepte
- Scheduler, Webserver und Worker-Prozesse
- DAGs, Tasks und Operatoren
- Executors und Backends (Local, Celery, Kubernetes)
Installation und Einrichtung
- Installation von Airflow in lokalen und Cloud-Umgebungen
- Konfiguration von Airflow mit verschiedenen Executors
- Einrichtung von Metadaten-Datenbanken und Verbindungen
Bedienung der Airflow-UI und CLI
- Erforschung der Airflow-Weboberfläche
- Überwachung von DAG-Executions, Tasks und Logs
- Nutzung der Airflow-CLI für die Administration
Erstellung und Verwaltung von DAGs
- Erstellen von DAGs mit der TaskFlow-API
- Verwendung von Operatoren, Sensors und Hooks
- Verwaltung von Abhängigkeiten und Planungintervallen
Integration von Airflow mit Daten- und Cloud-Diensten
- Verbindung zu Datenbanken, APIs und Message Queues
- Ausführung von ETL-Pipelines mit Airflow
- Cloud-Integrationen: AWS-, GCP- und Azure-Operatoren
Überwachung und Beobachtbarkeit
- Task-Logs und Echtzeit-Überwachung
- Metriken mit Prometheus und Grafana
- Benachrichtigungen und Alerts per E-Mail oder Slack
Absicherung von Apache Airflow
- Rollenbasierte Zugriffssteuerung (RBAC)
- Authentifizierung mit LDAP, OAuth und SSO
- Verwaltung von Secrets mit Vault und Cloud Secret Stores
Skalierung von Apache Airflow
- Parallelität, Concurrente und Task-Queues
- Verwendung von CeleryExecutor und KubernetesExecutor
- Deployment von Airflow auf Kubernetes mit Helm
Bewährte Praktiken für die Produktion
- Versionskontrolle und CI/CD für DAGs
- Testen und Debuggen von DAGs
- Aufrechterhaltung von Zuverlässigkeit und Leistung im grossen Massstab
Fehlerbehebung und Optimierung
- Debuggen von fehlgeschlagenen DAGs und Tasks
- Optimierung der DAG-Leistung
- Häufige Fehlerquellen und wie man sie vermeidet
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung in Python-Programmierung
- Vertrautheit mit Konzepten der Datenengineering oder DevOps
- Verständnis von ETL oder Workflow-Orchestrierung
Zielgruppe
- Data Scientists
- Data Engineers
- DevOps- und Infrastructure Engineers
- Softwareentwickler
Erfahrungsberichte (7)
Der Dozent hat das Training an das Niveau der Teilnehmer angepasst und alle Fragen beantwortet. Er war sehr kommunikativ, und es war einfach, mit ihm zu interagieren. Ich schätzte die Formatierung des Trainings, die viele praktische Übungen einschloss. Insgesamt war es eine sehr ansprechende und gut organisierte Sitzung.
Jacek Chlopik - ZAKLAD UBEZPIECZEN SPOLECZNYCH
Kurs - Apache Airflow: Building and Managing Data Pipelines
Maschinelle Übersetzung
Die Schulung war genau richtig. Sehr nützliche Theorie und Übungen.
Vladimir - PUBLIC COURSE
Kurs - Apache Airflow
Maschinelle Übersetzung
Die Schulung war in allen Aspekten perfekt. Nutzbringende theoretische Inhalte und Übungen.
Vladimir - PUBLIC COURSE
Kurs - Apache Airflow
Maschinelle Übersetzung
Die Ausbildung war in allen Aspekten hervorragend. Nützliche theoretische Inhalte und Übungen.
Vladimir - PUBLIC COURSE
Kurs - Apache Airflow
Maschinelle Übersetzung
Die Schulung war in allen Aspekten hervorragend. Nützliche theoretische Inhalte und Übungen.
Vladimir - PUBLIC COURSE
Kurs - Apache Airflow
Maschinelle Übersetzung
Die Schulung war in allen Aspekten perfekt. Nützliche theoretische Inhalte und Übungen.
Vladimir - PUBLIC COURSE
Kurs - Apache Airflow
Maschinelle Übersetzung
Die Ausbildung war in allen Aspekten hervorragend. Nützliche theoretische Inhalte und Übungen.
Vladimir - PUBLIC COURSE
Kurs - Apache Airflow
Maschinelle Übersetzung
