Airflow在ETL中核心作用是调度与编排流程而非执行数据处理，通过DAG定义任务依赖、重试策略、定时触发及通知机制，协调Python/SQL/Spark等实际执行工具。
什么是Airflow在ETL中的核心作用
Airflow不是执行ETL任务的工具，而是调度和编排ETL流程的“指挥官”。它不直接处理数据清洗或加载，但能精准控制：哪个任务先跑、失败后怎么重试、依赖关系如何串联、每天几点触发、出错时通知谁。实际项目中，真正干活的是Python脚本、SQL、Spark或dbt，Airflow负责把它们按逻辑串起来、稳住节奏、留下记录。
用DAG定义一个典型的数据仓库ETL流程
DAG（有向无环图）是Airflow调度的蓝图。比如构建一张销售宽表，典型DAG包含：拉取原始订单数据 → 清洗并去重 → 关联用户维度 → 计算日销售额指标 → 写入数仓汇总表 → 发送完成通知。每个步骤是一个Operator（如PythonOperator、PostgresOperator），通过set_downstream或>>明确先后顺序。
- 用
@task装饰器写轻量Python函数，比传统Operator更易调试 - 关键任务加
retries=3和retry_delay=timedelta(minutes=2)防临时故障 - 跨天任务设
schedule_interval='0 2 * * *'（每天凌晨2点跑昨日数据） - 敏感任务用
trigger_rule='all_success'确保前置全成功才执行
让Airflow真正适配数据仓库场景的实操要点
纯演示DAG跑得通，但上线后常卡在权限、性能和可观测性上。真实数据仓库ETL需注意：
- 连接数仓（如Redshift、BigQuery）时，用
Connection管理凭证，避免硬编码；密码存于Airflow密钥后端（如AWS Secrets Manager） - 大表全量同步容易OOM，改用分页查询或增量字段（如
updated_at > '{{ ds }}'）配合execution_date变量 - 在任务里加
logging.info(f"Processed {row_count} rows")，方便在UI的Task Logs里快速定位瓶颈 - 用
Sensor（如ExternalTaskSensor）等待上游DAG完成，避免数仓表未就绪就启动下游计算
排查调度异常的三个高频入口
Airflow报错不总在代码里，常藏在环境与配置中：
立即学习“Python免费学习笔记（深入）”；
