完善如何避免重新运行任务

Question

在 Prefect 中，假设我有一些管道为列表中的每个日期运行 f(date)，并将其保存到文件中。 这是一个非常常见的 ETL 操作。 在 airflow 中，如果我运行一次，它将回填所有历史日期。 如果我再次运行它，它将知道该任务已经运行，并且只运行任何出现的新任务（即最近日期）。

在 Prefect 中，据我所知，它每天都会运行整个管道，即使前一天完成了 99% 的任务。 在不切换到 Prefect Cloud 的情况下，有哪些解决方案可以解决这个问题？ 您是否只是在退出之前执行诸如让每个任务在 redis 中完成的缓存？

Answer 1

Prefect 有许多一流的缓存处理方法，具体取决于您想要多少控制。 对于每个任务，您可以指定是否应缓存结果、应缓存多长时间以及应如何使缓存失效（年龄、任务的不同输入、流参数值等）。

缓存任务的最简单方法是使用targets ，它允许您指定任务具有模板化的副作用（通常是本地或云存储中的文件，但可以是例如数据库条目、redis 密钥或其他任何内容）。 在任务运行之前，它会检查副作用是否存在，如果存在，则跳过运行。

例如，此任务会将其结果写入本地文件，该文件自动以任务名称和当前日期为模板：

@task(result=LocalResult(), target="{task_name}-{today}")
def get_data():
    return [1, 2, 3, 4, 5]

只要存在匹配文件，任务就不会重新运行。 因为{today}是目标名称的一部分，这将隐式缓存一天的任务值。 您还可以使用模板中的参数（例如回填日期）来复制 Airflow 的行为。

要获得更多控制，您可以通过在任何任务上设置cache_for 、 cache_validator和cache_key来使用 Prefect 的完整缓存机制。 如果设置，任务将在Cached state 而不是Success state 中完成。 当与 Prefect Server 或 Prefect Cloud 等适当的编排后端配对时， Cached的 state 可以通过相同任务（或具有相同cache_key的任何任务）的未来运行来查询。 未来的任务将返回Cached的 state 作为它自己的结果。