Amazon MWAAに依存ライブラリを追加してみた

こんにちは。サービスグループの武田です。本日発表されたAWSのマネージドAirflowであるAmazon MWAA（Managed Workflow for Apache Airflow）の環境にライブラリを追加する手順を確認してみました。

#Apache Airflow

#Amazon MWAA

#AWS

武田隆志

2020.11.25

この記事は公開されてから1年以上経過しています。情報が古い可能性がありますので、ご注意ください。

こんにちは。サービスグループの武田です。

本日発表されたAWSのマネージドAirflowであるAmazon MWAA（Managed Workflow for Apache Airflow）で遊んでいます。

今回は前回作ったAirflowの環境にライブラリを追加する手順を確認してみました。

ライブラリの前提

次のライブラリは追加の必要なく使用できます。

Airflowが依存しているライブラリ
AWSが追加しているライブラリ

そもそもAirflowが依存しているライブラリはインストールされているので、自分で追加する必要がありません。たとえばPandasやNumPy、Pendulumなどがあげられます。次に、AWSが追加しているライブラリが2つあり、psycopg2とbotoはセットアップ済みとなっています。MWAAのメタデータストアとしておそらくPostgreSQLを使っているのと、botoはまぁAWS環境ですしね。

というわけで、それ以外のライブラリが別途必要な場合には、自分で追加する必要があります。

今回のゴール

今回はスクレイピングライブラリとして人気のあるBeautifulSoupを追加して、Developers.IOのトップページからタイトルを抜き出してみます。

依存ライブラリがない状態を確認

まずはDAGの中で使用しているライブラリが環境にない場合を確認してみます。Airflowに追加するDAGとして次のスクリプトを用意しました。

import urllib.request

import airflow
from airflow.models import DAG
from airflow.operators.python_operator import PythonOperator
from bs4 import BeautifulSoup

args = {
    "owner": "airflow",
    "start_date": airflow.utils.dates.days_ago(2),
    "provide_context": True,
}


def get_devio_top_page(url, **context):
    return urllib.request.urlopen(url).read().decode("utf-8")


def print_title(html, **context):
    soup = BeautifulSoup(html, "html.parser")
    print(soup.find("title"))


with DAG(
    dag_id="scraping_test",
    default_args=args,
    schedule_interval=None,
) as dag:
    t1 = PythonOperator(
        task_id="task1",
        python_callable=get_devio_top_page,
        op_kwargs={"url": "https://dev.classmethod.jp/"},
    )

    t2 = PythonOperator(
        task_id="task2",
        python_callable=print_title,
        op_kwargs={"html": '{{ ti.xcom_pull(task_ids="task1") }}'},
    )

    t1 >> t2

task1はDevIOのトップページを取得しているタスクです。標準ライブラリのurllibを使っているごく普通のプログラムです。task2がBeautifulSoupを使ってページのタイトルを抜き出してログに出す処理をしています。ページの中身は前のタスクで取得しているので、xcom経由で受け渡しています。

このファイルをS3にアップロードします。