Schulungsübersicht
Einführung in Apache Airflow
- Was ist Workflow-Orchestrierung?
- Schlüsselmerkmale und Vorteile von Apache Airflow
- Verbesserungen in Airflow 2.x und Übersicht über das Ökosystem
Architektur und Kernkonzepte
- Scheduler, Webserver und Worker-Prozesse
- DAGs, Tasks und Operators
- Executors und Backends (Local, Celery, Kubernetes)
Installation und Einrichtung
- Installation von Airflow in lokalen und Cloud-Umgebungen
- Konfiguration von Airflow mit verschiedenen Executors
- Einrichten von Metadaten-Datenbanken und Verbindungen
Navigation in der Airflow-UI und CLI
- Erkundung der Airflow-Weboberfläche
- Überwachung von DAG-Läufen, Tasks und Logs
- Verwendung der Airflow-CLI für die Verwaltung
Erstellung und Verwaltung von DAGs
- Erstellung von DAGs mit der TaskFlow-API
- Verwendung von Operators, Sensors und Hooks
- Verwaltung von Abhängigkeiten und Zeitintervallen
Integration von Airflow mit Daten- und Cloud-Diensten
- Verbindung zu Datenbanken, APIs und Message Queues
- Ausführen von ETL-Pipelines mit Airflow
- Cloud-Integrationen: AWS-, GCP- und Azure-Operatoren
Überwachung und Observability
- Task-Logs und Echtzeitüberwachung
- Metriken mit Prometheus und Grafana
- Alerting und Benachrichtigungen per E-Mail oder Slack
Sicherung von Apache Airflow
- Rollenbasierte Zugriffskontrolle (RBAC)
- Authentifizierung mit LDAP, OAuth und SSO
- Geheimnisverwaltung (Secrets Management) mit Vault und Cloud-Secret-Stores
Skalierung von Apache Airflow
- Parallelität, Parallelgrad (Concurrency) und Task-Queues
- Nutzung von CeleryExecutor und KubernetesExecutor
- Bereitstellen von Airflow auf Kubernetes mit Helm
Best Practices für die Produktion
- Versionskontrolle und CI/CD für DAGs
- Testen und Debuggen von DAGs
- Sicherstellung von Zuverlässigkeit und Leistung bei Skalierung
Fehlersuche und Optimierung
- Debuggen fehlgeschlagener DAGs und Tasks
- Optimierung der DAG-Leistung
- Häufige Fehlerquellen und wie man sie vermeidet
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung in der Programmierung mit Python
- Vertrautheit mit Konzepten des Data Engineering oder DevOps
- Verständnis für ETL oder Workflow-Orchestrierung
Zielgruppe
- Data Scientists
- Data Engineers
- DevOps- und Infrastruktur-Ingenieure
- 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