luigi记录（1）

• 基础

  • Task

    • 每个任务模块以class的形式存在，继承luigi.Task

        class TestTask(luigi.Task):
          //任务参数
          _params = luigi.Parameters()
          def require(self):
            // 每个任务的入口
            return LastTask()
          def run(self):
            // 每个任务具体执行内容
            pass
          def output(self):
            // 每个任务的出口
            pass
      

    • 每个任务模块重载方法:

      • require方法:

          def require(self):
            return LastTask()
        

        1. 这里主要是说明依赖关系，当前任务需要上一个任务LastTask()的执行结果（一般是有文件生成），如若需要可以将结果作为输入
        2. 可以依赖多个任务
           return [LastTask1(), LastTask2()]
           or
           return {'x': LastTask1(), 'y': LastTask2()}
           or
           yield LastTask1()
yield LastTask2()

      • output方法:

          def output(self):
            return LocalTarget(path)
        

        1. 这里主要是说明任务执行的输出结果（一般是输出文件），作为检验任务是否完成的依据
        2. 返回的是一个luigi.Target对象
        3. 可以有多个输出结果
           return [LocalTarget(path1), LocalTarget(path2)]

      • run方法：

        1. 执行内容中需要把结果写入文件中，路径对应于output方法返回的Target的路径
        2. 在执行内容前可以用Target的方法makedirs()检查输出文件夹是否存在并创建
        3. 引用输出路径: self.output().path or self.output()['x'].path or self.output()[0].path
           引用依赖路径: self.input().path or self.input()['x'].path or self.input()[0].path

    • Parameters

      • 流程入口的Task的变量需要由Parameters对象来定义:

          class TestTask:
            test1 = luigi.Parameters()
            test2 = luigi.Parameters()
        

      • 命令行执行流程时可以直接给Parameters类的变量赋值:
        --test1 1 --test2 2

• 流程

  
  luigi_pipeline.png

1. 由流程入口workflow定义整个流程中并行运行(yield调用)的任务块 TaskA & TaskB

2. 任务调用时，会先检查output方法中定义返回的文件是否存在:
   • 如果存在则表示该任务已经成功执行过了，就不会再继续执行，就会从这个节点跳过（包括该节点下的子任务）
   • 如果不存在则会检查该任务的require方法中定义返回的任务对象TaskSon，从而跳转检查TaskSon任务的output方法
   • 该检查会一直顺着任务树一直往下，直到找到一个已完成的子任务，然后回溯（即递归调用）

3. 当任务树中某个任务节点的子任务已完成，则该任务会执行run方法(注，run方法中必须生成output方法中Target包装的文件)