如何从 Airflow 获取世系到 Microsoft Purview (预览版)

项目
09/22/2023

Airflow 是一个开源工作流自动化和计划平台，可用于创作和管理数据管道。 Microsoft Purview 支持通过与 OpenLineage 集成来收集 Airflow 世系， OpenLineage 是一个用于数据世系收集和分析的开放框架。在此处了解 Airflow 如何与 OpenLineage 配合使用。

在 Airflow 中启用 OpenLineage 会在 DAG 执行时自动跟踪有关作业和数据集的元数据和世系。信息将发送到你配置的Azure 事件中心。 Microsoft Purview 订阅事件、分析事件并引入数据映射。

重要

此功能目前处于预览阶段。 Microsoft Azure 预览版补充使用条款包括适用于 Beta 版、预览版或其他尚未正式发布的 Azure 功能的其他法律条款。

支持的功能

支持的 Airflow 版本为 1.10+ 和 2.0-2.7。

在 Airflow 中使用以下类型的数据源时，Microsoft Purview 支持元数据和世系收集：

Amazon RDS for PostgreSQL
Azure Database for PostgreSQL
Google BigQuery
PostgreSQL
雪花

将捕获以下 Airflow 元数据：

Airflow 工作区
Airflow DAG
气流任务

成功运行 DAG 后，会以基于事件的方式将世系收集到 Microsoft Purview 中。

已知限制

目前不支持列级世系。捕获数据资产的架构。
如果在任务中引用了数据库视图，则它们当前将捕获为表资产。
所有元数据都引入到 Microsoft Purview 根集合中。数据映射中已存在的资产保留在配置的集合中。

如何将 Airflow 世系引入 Microsoft Purview

作为先决条件，需要一个正在运行的 Airflow 实例。

若要从 Airflow 获取世系到 Microsoft Purview，需要：

设置Azure 事件中心
配置事件中心以将消息发布到 Microsoft Purview
使用 OpenLineage 配置 Airflow
运行 Airflow 作业并查看资产/世系

设置Azure 事件中心

将Azure 事件中心设置为 Airflow 中 OpenLineage 跟踪的元数据和世系的接收方。

创建Azure 事件中心命名空间。
创建事件中心。将事件中心命名为“microsoft_internal_openlineage”。
转到“microsoft_internal_openlineage”事件中心 ->访问控制 (IAM) ->添加角色分配，将“Azure 事件中心数据接收器”角色分配给 Microsoft Purview 帐户的托管标识。有关详细步骤，请参阅使用Azure 门户分配 Azure 角色。

配置事件中心以将消息发布到 Microsoft Purview

Microsoft Purview 支持从你自己的事件中心使用和推送事件。按照此文档为 Microsoft Purview 配置事件中心：使用 Microsoft Purview 配置事件中心以发送和接收 Atlas Kafka 主题消息。

摘要：

转到 Microsoft Purview 帐户 -> 托管资源选项卡，禁用托管事件中心命名空间。
转到“Kafka 配置”选项卡->+“添加配置 ”->“挂钩配置”，输入名称，然后选择在上一步中创建的事件中心命名空间和事件中心。

使用 OpenLineage 配置 Airflow

安装：

若要下载并安装最新的“openlineage-airflow”库，请使用以下方法更新正在运行的 Airflow 实例的“requirements.txt”文件：

openlineage-airflow

注意

Airflow 版本和 openlineage-airflow 版本需要匹配。例如，使用 Airflow 2.7.1 时，可以使用 openlineage-airflow 版本 1.1.0 或 1.2.0。可以在此网站上查看匹配的版本。

配置：

接下来，将 Azure 事件中心实例配置为 OpenLineage 将事件发送到的目标。

在 Airflow 根路径下创建“openlineage.yml”文件。文件的内容如下所示：
```
transport:
  type: "kafka"
  config:
    bootstrap.servers: "{EVENTHUB_SERVER}:9093"
    security.protocol: "SASL_SSL"
    sasl.mechanism: "PLAIN"
    sasl.username: "$ConnectionString"
    sasl.password: "{PASSWORD}"
    client.id: "airflow-client"
  topic: "microsoft_internal_openlineage"
  flash: True
```
将两个占位符替换为值：
- {EVENTHUB_SERVER}从事件中心命名空间 ->主机名获取：
- {PASSWORD}从事件中心命名空间获取 ->共享访问策略 ->连接字符串 - 主键或连接字符串 - 辅助密钥：
重启 Airflow 服务器。