Manuales

Appearance

DAGs, tareas y operadores ​

Un DAG describe dependencias. Una task ejecuta una unidad de trabajo. Un operator define que tipo de trabajo se hace.

DAG ​

python
from datetime import datetime
from airflow import DAG

with DAG(
    dag_id="daily_sales",
    start_date=datetime(2026, 1, 1),
    schedule="@daily",
    catchup=False,
    tags=["sales"],
) as dag:
    ...

El DAG debe ser declarativo: definir estructura, no ejecutar trabajo pesado al importarse.

TaskFlow API ​

python
from airflow.decorators import dag, task

@dag(schedule="@daily", start_date=datetime(2026, 1, 1), catchup=False)
def sales_pipeline():
    @task
    def extract():
        return {"rows": 100}

    @task
    def transform(payload):
        return payload["rows"] * 2

    transform(extract())

sales_pipeline()

Operadores clasicos ​

Ejemplos:

  • BashOperator
  • PythonOperator
  • DockerOperator
  • KubernetesPodOperator
  • operadores de proveedores cloud o bases de datos.

Dependencias ​

python
extract >> transform >> load

Varias ramas:

python
extract >> [validate, profile] >> load

Idempotencia ​

Una tarea debe poder reintentarse sin romper datos.

Ejemplos:

  • Escribir particion por fecha reemplazable.
  • Usar upsert.
  • Marcar ejecuciones con logical_date.
  • Evitar nombres de archivos aleatorios sin control.

Buenas practicas ​

  • Tareas pequenas y observables.
  • Dependencias explicitas.
  • Nada pesado en parseo del DAG.
  • Parametros por fecha de ejecucion.
  • Reintentos y timeouts.
  • Logs claros por task.