بهینه سازی گردش کار با اپراتورهای Apache Airflow

Optimize Workflows with Apache Airflow Operators

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Apache Airflow طیف گسترده ای از اپراتورها را ارائه می دهد تا به شما در بهینه سازی گردش کار خود کمک کند. در این دوره، بهینه سازی گردش کار با اپراتورهای جریان هوای آپاچی، شما توانایی ساده سازی خطوط لوله داده و افزایش کارایی گردش کار با استفاده از اپراتورهای مختلف جریان هوا را به دست خواهید آورد. ابتدا، نحوه ایجاد یک DAG را بررسی خواهید کرد که پردازش داده های مشروط را با استفاده از یک عملگر انشعاب انجام می دهد و در دسترس بودن فایل را با یک FileSensor بررسی می کند. در مرحله بعد، نحوه انجام اعتبارسنجی داده ها با PythonOperator، گروه بندی وظایف با استفاده از DummyOperator و استفاده از متغیرهای جریان هوا برای پردازش پویا را خواهید یافت. در نهایت، یاد خواهید گرفت که چگونه گزارش‌های انبوه و فیلتر شده را تولید کنید، آن‌ها را در یک پوشه خروجی بنویسید، و سپس اپراتور سفارشی خود را ایجاد کنید تا داده‌هایی را که در جریان کاری خود استفاده خواهید کرد، تمیز کنید. پس از اتمام این دوره، تجربه کار با انواع اپراتورهای Airflow را خواهید داشت که برای بهینه سازی و حفظ کارآمد جریان های کاری پیچیده داده ها مورد نیاز است.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

ایجاد و بهینه سازی گردش کار با اپراتورها Create and Optimize Workflows with Operators

  • معرفی و بررسی نسخه Introduction and Version Check

  • معرفی و بررسی نسخه Introduction and Version Check

  • معرفی و بررسی نسخه Introduction and Version Check

  • نسخه ی نمایشی: استفاده از FileSensor Task برای منتظر ماندن برای فایل ها Demo: Using the FileSensor Task to Wait for Files

  • نسخه ی نمایشی: استفاده از FileSensor Task برای منتظر ماندن برای فایل ها Demo: Using the FileSensor Task to Wait for Files

  • نسخه ی نمایشی: استفاده از FileSensor Task برای منتظر ماندن برای فایل ها Demo: Using the FileSensor Task to Wait for Files

  • نسخه ی نمایشی: پیکربندی متغیرها Demo: Configuring Variables

  • نسخه ی نمایشی: پیکربندی متغیرها Demo: Configuring Variables

  • نسخه ی نمایشی: پیکربندی متغیرها Demo: Configuring Variables

  • نسخه ی نمایشی: پیکربندی Branching DAG Demo: Configuring the Branching DAG

  • نسخه ی نمایشی: پیکربندی Branching DAG Demo: Configuring the Branching DAG

  • نسخه ی نمایشی: پیکربندی Branching DAG Demo: Configuring the Branching DAG

  • دمو: اجرای Branching DAG Demo: Executing the Branching DAG

  • دمو: اجرای Branching DAG Demo: Executing the Branching DAG

  • دمو: اجرای Branching DAG Demo: Executing the Branching DAG

  • نسخه ی نمایشی: ایجاد و استفاده از یک اپراتور تمیز کردن سفارشی Demo: Creating and Using a Custom Cleaning Operator

  • نسخه ی نمایشی: ایجاد و استفاده از یک اپراتور تمیز کردن سفارشی Demo: Creating and Using a Custom Cleaning Operator

  • نسخه ی نمایشی: ایجاد و استفاده از یک اپراتور تمیز کردن سفارشی Demo: Creating and Using a Custom Cleaning Operator

نمایش نظرات

بهینه سازی گردش کار با اپراتورهای Apache Airflow
جزییات دوره
22m
21
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.