Configuration d'un Weather Pipeline ETL avec Apache Airflow et MySQL via Docker

Table des matières

1. Introduction au projet
2. Structure du projet
3. Configuration des variables d'environnement
4. Création des fichiers de configuration
   • Docker Compose
   • Script d'initialisation MySQL
5. Configuration du DAG Airflow
6. Vérification et déploiement
7. Conclusion

Introduction au projet

Ce projet a pour objectif de configurer un pipeline ETL (Extract, Transform, Load) utilisant Apache Airflow pour automatiser la collecte, la transformation, et le chargement de données météorologiques dans une base de données MySQL. Le projet est déployé à l'aide de Docker Compose, avec deux bases de données MySQL distinctes : l'une pour stocker les métadonnées d'Airflow et l'autre pour stocker les données météorologiques collectées depuis l'API publique d'OpenWeatherMap.

Pourquoi ce projet ?

1. Automatisation : Utiliser Apache Airflow permet d'automatiser et de planifier l'extraction de données météorologiques, leur transformation et leur chargement dans une base de données.
2. Séparation des responsabilités : L'utilisation de deux bases de données distinctes permet de séparer les métadonnées de gestion d'Airflow des données applicatives spécifiques (ici, les données météorologiques).
3. Scalabilité : Grâce à Docker Compose, vous pouvez déployer ce projet facilement sur différents environnements, et le faire évoluer en ajoutant de nouveaux services ou en modifiant les configurations existantes.

Structure du projet

Voici la structure du projet :

weather-etl-docker-airflow-project/
├── docker-compose.yml
├── .env
├── airflow/
│   ├── dags/
│   │   └── weather_etl.py
│   ├── logs/
│   ├── plugins/
│   ├── Dockerfile
│   └── requirements.txt
└── mysql/
    ├── init.sql
    └── my.cnf

Description des répertoires et fichiers :

• docker-compose.yml : Fichier de configuration Docker Compose définissant les services, volumes, et réseaux nécessaires pour déployer l'application.
• .env : Fichier contenant les variables d'environnement utilisées pour configurer MySQL et Airflow.
• airflow/ : Répertoire contenant les fichiers et configurations spécifiques à Airflow, y compris le DAG du pipeline ETL.
• mysql/init.sql : Script SQL pour initialiser les bases de données et les utilisateurs. Ce script est exécuté automatiquement au démarrage du conteneur MySQL via Docker Compose.
• mysql/my.cnf : Fichier de configuration MySQL optionnel. Il permet de personnaliser la configuration MySQL si nécessaire, mais il n'est pas utilisé directement dans ce projet.

Configuration des variables d'environnement

Créez un fichier .env à la racine du projet avec le contenu suivant :

# MySQL environment variables for Airflow
MYSQL_ROOT_PASSWORD=root
MYSQL_DATABASE=airflow_db
MYSQL_HOST=mysql
MYSQL_USER=airflow
MYSQL_PASSWORD=123

# MySQL environment variables for Weather
WEATHER_MYSQL_DATABASE=meteo

# Weather API environment variables
WEATHER_API_KEY=your_api_key
WEATHER_CITY=Marseille
WEATHER_LANG=fr
WEATHER_UNITS=metric

# Airflow SQLAlchemy connection string
AIRFLOW__DATABASE__SQL_ALCHEMY_CONN=mysql://root:${MYSQL_ROOT_PASSWORD}@${MYSQL_HOST}:3306/${MYSQL_DATABASE}

Explication des variables d'environnement :

• MYSQL_ROOT_PASSWORD : Le mot de passe root pour le serveur MySQL. Utilisé pour créer les bases de données et les utilisateurs.
• MYSQL_DATABASE : Le nom de la base de données utilisée par Airflow pour stocker ses métadonnées.
• MYSQL_HOST : Le nom du service MySQL défini dans docker-compose.yml. Cela signifie que tout service (comme Airflow) qui a besoin de se connecter à MySQL se connectera à l'hôte (serveur) nommé mysql.
• MYSQL_USER et MYSQL_PASSWORD : Les informations de connexion pour l'utilisateur MySQL utilisé par Airflow pour la base de données météorologique.
• WEATHER_MYSQL_DATABASE : Le nom de la base de données qui stocke les données météorologiques.
• WEATHER_API_KEY, WEATHER_CITY, WEATHER_LANG, WEATHER_UNITS : Paramètres pour accéder à l'API OpenWeatherMap, notamment la clé API, la ville ciblée, la langue des données, et les unités (métriques, impériales).
• AIRFLOW__DATABASE__SQL_ALCHEMY_CONN : La chaîne de connexion SQLAlchemy pour qu'Airflow se connecte à la base de données MySQL.

Création des fichiers de configuration

Docker Compose

Voici le contenu du fichier docker-compose.yml :

services:
  mysql:
    image: mysql:latest
    container_name: mysql
    environment:
      MYSQL_ROOT_PASSWORD: ${MYSQL_ROOT_PASSWORD}
      MYSQL_DATABASE: ${MYSQL_DATABASE}
    volumes:
      - mysql_data:/var/lib/mysql
      - ./mysql/my.cnf:/etc/mysql/my.cnf  # Monte le fichier my.cnf
    networks:
      - airflow_network

  adminer:
    image: adminer
    container_name: adminer
    ports:
      - "8081:8080"
    depends_on:
      - mysql
    environment:
      ADMINER_DEFAULT_SERVER: mysql
    networks:
      - airflow_network

  airflow:
    build: ./airflow
    image: airflow
    container_name: airflow
    env_file:
      - .env  # Charge toutes les variables d'environnement depuis le fichier .env
    volumes:
      - ./airflow/dags:/opt/airflow/dags
      - ./airflow/logs:/opt/airflow/logs
      - ./airflow/plugins:/opt/airflow/plugins
    ports:
      - "8080:8080"
    depends_on:
      - mysql
    command: >
      bash -c " 
        airflow db init || airflow db upgrade;
        airflow users create --username admin --password admin --firstname Air --lastname Flow --role Admin --email admin@example.com;
        airflow scheduler & airflow webserver
      "
    networks:
      - airflow_network

volumes:
  mysql_data:

networks:
  airflow_network:

Explication du fichier docker-compose.yml

Le fichier docker-compose.yml décrit la configuration d'un ensemble de services Docker interconnectés pour déployer un pipeline ETL (Extract, Transform, Load) utilisant Apache Airflow et MySQL. Voici une explication détaillée de chaque section du fichier :

Services

1. MySQL (mysql):

   • Image : Utilise l'image officielle MySQL 5.7.
   • Container Name : Le conteneur est nommé mysql.
   • Environment : Les variables d'environnement pour configurer MySQL. Elles incluent le mot de passe root, et l'utilisateur MySQL.
   • Volumes : Monte le répertoire de données MySQL (mysql_data) pour persister les données, et monte le fichier de configuration MySQL (my.cnf).
   • Networks : Connecte le conteneur au réseau airflow_network.

2. Adminer (adminer):

   • Image : Utilise l'image officielle adminer, un outil d'administration de bases de données accessible via une interface web.
   • Container Name : Le conteneur est nommé adminer.
   • Ports : Mappe le port 8080 du conteneur sur le port 8081 de l'hôte, permettant d'accéder à Adminer via http://localhost:8081.
   • Depends_on : Le conteneur adminer dépend du conteneur MySQL.
   • Environment : Spécifie le serveur MySQL par défaut pour Adminer (mysql).
   • Networks : Connecte le conteneur au réseau airflow_network.

3. Airflow (airflow):

   • Build : Utilise un Dockerfile personnalisé situé dans le répertoire ./airflow pour construire l'image.
   • Container Name : Le conteneur est nommé airflow.
   • env_file : Configure Airflow, en chargeant les variables d'environnement à partir du fichier .env.
   • Volumes : Monte les répertoires contenant les DAGs, logs, et plugins d'Airflow.
   • Ports : Mappe le port 8080 du conteneur sur le port 8080 de l'hôte pour accéder à l'interface web d'Airflow.
   • Depends_on : Démarre uniquement après que MySQL soit prêt.
   • Command : Initialise ou met à jour la base de données d'Airflow, crée un utilisateur administrateur (admin/admin) pour accéder à l'interface Web, puis démarre simultanément le scheduler et le webserver d'Airflow. Le scheduler gère l'exécution des tâches des DAGs selon leur planning, tandis que le webserver fournit l'interface utilisateur accessible via un navigateur sur le port 8080. Cette configuration permet de déployer rapidement Airflow avec tous les services nécessaires dans un seul conteneur.

Volumes

• mysql_data : Volume nommé pour persister les données MySQL entre les redémarrages de conteneurs.

Networks

• airflow_network : Réseau Docker partagé par tous les services pour permettre leur communication.

Script d'initialisation MySQL

Le script mysql/init.sql n'est pas nécessaire dans cette configuration car la création des bases de données et des utilisateurs est gérée directement par le service mysql-setup. Toutefois, vous pouvez conserver ce fichier pour des tâches d'initialisation supplémentaires ou pour des besoins spécifiques.

Configuration du DAG Airflow

Dans le fichier airflow/dags/weather_etl.py, configurez votre pipeline ETL pour automatiser la création de la base de données, la collecte et le traitement des données météorologiques. Voici un extrait de code pour le DAG :

from airflow import DAG
from airflow.operators.python import PythonOperator
from airflow.exceptions import AirflowFailException
import logging
from datetime import datetime, timedelta, timezone
import requests
import mysql.connector
from mysql.connector import Error
import os

# Configuration du logging
logging.basicConfig(level=logging.INFO)

# Arguments par défaut pour les tâches
default_args = {
    'owner': 'airflow',
    'depends_on_past': False,
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': timedelta(minutes=5),
}

# Définition du DAG
dag = DAG(
    'weather_etl',
    default_args=default_args,
    description='ETL simple pour extraire, transformer et charger des données météorologiques',
    schedule_interval=timedelta(minutes=2),  # Planifie le DAG pour s'exécuter toutes les 2 minutes
    start_date=datetime(2024, 8, 7),
    catchup=False,
)

# Fonction pour créer la base de données et l'utilisateur MySQL
def create_database_and_user(**kwargs):
    try:
        with mysql.connector.connect(
            host=os.getenv('MYSQL_HOST'),
            user=os.getenv('MYSQL_ROOT', 'root'),
            password=os.getenv('MYSQL_ROOT_PASSWORD'),
            database=os.getenv('MYSQL_DATABASE')
        ) as connection:
            if connection.is_connected():
                with connection.cursor() as cursor:
                    cursor.execute(f"CREATE DATABASE IF NOT EXISTS {os.getenv('WEATHER_MYSQL_DATABASE')};")
                    cursor.execute(f"CREATE USER IF NOT EXISTS '{os.getenv('MYSQL_USER')}'@'%' IDENTIFIED BY '{os.getenv('MYSQL_PASSWORD')}';")
                    cursor.execute(f"GRANT ALL PRIVILEGES ON {os.getenv('WEATHER_MYSQL_DATABASE')}.* TO '{os.getenv('MYSQL_USER')}'@'%';")
                    cursor.execute("FLUSH PRIVILEGES;")
                logging.info(f"Database `{os.getenv('WEATHER_MYSQL_DATABASE')}` and user `{os.getenv('MYSQL_USER')}` ensured.")
    except Error as e:
        logging.error(f"Error while creating database and user: {e}")

# Fonction pour créer la table dans MySQL
def create_table(**kwargs):
    connection = None
    try:
        connection = mysql.connector.connect(
            host=os.getenv('MYSQL_HOST'),
            user=os.getenv('MYSQL_USER'),
            password=os.getenv('MYSQL_PASSWORD'),
            database=os.getenv('WEATHER_MYSQL_DATABASE')
        )
        if connection.is_connected():
            cursor = connection.cursor()
            cursor.execute(
                """
                CREATE TABLE IF NOT EXISTS weather (
                    id INT AUTO_INCREMENT PRIMARY KEY,
                    city VARCHAR(255),
                    temperature FLOAT,
                    weather VARCHAR(255),
                    humidity INT,
                    pressure INT,
                    wind_speed FLOAT,
                    lt VARCHAR(255),
                    utc VARCHAR(255)
                );
                """
            )
            connection.commit()
            cursor.close()
            logging.info("Table 'weather' created or already exists.")
    except Error as e:
        logging.error(f"Error: {e}")
    finally:
        if connection and connection.is_connected():
            connection.close()

# Fonction pour extraire les données météo de l'API
def extract_weather_data(**kwargs):
    logging.info("Starting weather data extraction")
    
    api_key = os.getenv('WEATHER_API_KEY')
    city = os.getenv('WEATHER_CITY')
    lang = os.getenv('WEATHER_LANG')
    units = os.getenv('WEATHER_UNITS')
    
    if not api_key or not city or not lang or not units:
        raise AirflowFailException("Missing required environment variables for API call.")
    
    try:
        logging.info(f"Fetching weather data for {city}")
        response = requests.get(f"http://api.openweathermap.org/data/2.5/weather?q={city}&lang={lang}&appid={api_key}&units={units}")
        response.raise_for_status()
        weather_data = response.json()
        logging.info(f"Weather data fetched successfully: {weather_data}")
        kwargs['ti'].xcom_push(key='weather_data', value=weather_data)
    except requests.exceptions.RequestException as e:
        logging.error(f"Failed to fetch weather data: {str(e)}")
        raise AirflowFailException(f"Failed to fetch weather data: {str(e)}")

# Fonction pour transformer les données extraites
def transform_weather_data(**kwargs):
    ti = kwargs['ti']
    weather_data = ti.xcom_pull(key='weather_data', task_ids='extract_weather_data')
    
    logging.info(f"Transforming weather data: {weather_data}")

    utc_timestamp = datetime.fromtimestamp(weather_data["dt"], tz=timezone.utc)
    local_timestamp = utc_timestamp + timedelta(seconds=weather_data['timezone'])

    transformed_data = {
        "city": weather_data["name"],
        "temperature": weather_data["main"]["temp"],
        "weather": weather_data["weather"][0]["description"],
        "humidity": weather_data["main"]["humidity"],
        "pressure": weather_data["main"]["pressure"],
        "wind_speed": weather_data["wind"]["speed"],
        "lt": local_timestamp.strftime('%Y-%m-%d %H:%M:%S'),
        "utc": utc_timestamp.strftime('%Y-%m-%d %H:%M:%S')
    }
    
    logging.info(f"Transformed data: {transformed_data}")
    
    ti.xcom_push(key='transformed_data', value=transformed_data)

# Fonction pour charger les données transformées dans MySQL
def load_weather_data(**kwargs):
    ti = kwargs['ti']
    transformed_data = ti.xcom_pull(key='transformed_data', task_ids='transform_weather_data')
    
    logging.info(f"Connecting to MySQL on {os.getenv('MYSQL_HOST')} with user {os.getenv('MYSQL_USER')} to database {os.getenv('WEATHER_MYSQL_DATABASE')}")
    
    connection = mysql.connector.connect(
        host=os.getenv('MYSQL_HOST'),
        user=os.getenv('MYSQL_USER'),
        password=os.getenv('MYSQL_PASSWORD'),
        database=os.getenv('WEATHER_MYSQL_DATABASE')
    )
    
    try:
        if connection.is_connected():
            logging.info(f"Connected to database: {connection.database}")
        
        cursor = connection.cursor()

        # Vérifiez si les données existent déjà
        check_query = """
            SELECT COUNT(*) FROM weather 
            WHERE city = %s AND utc = %s
        """
        cursor.execute(check_query, (
            transformed_data["city"],
            transformed_data["utc"]
        ))
        result = cursor.fetchone()

        if result[0] == 0:
            # Insérez les données si elles n'existent pas déjà
            insert_query = """
                INSERT INTO weather (city, temperature, weather, humidity, pressure, wind_speed, lt, utc)
                VALUES (%s, %s, %s, %s, %s, %s, %s, %s)
            """
            cursor.execute(insert_query, (
                transformed_data["city"], 
                transformed_data["temperature"], 
                transformed_data["weather"], 
                transformed_data["humidity"], 
                transformed_data["pressure"], 
                transformed_data["wind_speed"], 
                transformed_data["lt"],
                transformed_data["utc"]
            ))
            connection.commit()
            logging.info(f"Inserted data: {transformed_data}")
        else:
            logging.info(f"Data already exists: {transformed_data}")

        cursor.close()
    except Error as e:
        logging.error(f"Error loading data: {e}")
    finally:
        if connection and connection.is_connected():
            connection.close()

# Définition des tâches du DAG
create_database_and_user_task = PythonOperator(
    task_id='create_database_and_user',
    python_callable=create_database_and_user,
    dag=dag,
)

create_table_task = PythonOperator(
    task_id='create_table',
    python_callable=create_table,
    dag=dag,
)

extract_task = PythonOperator(
    task_id='extract_weather_data',
    python_callable=extract_weather_data,
    dag=dag,
)

transform_task = PythonOperator(
    task_id='transform_weather_data',
    python_callable=transform_weather_data,
    dag=dag,
)

load_task = PythonOperator(
    task_id='load_weather_data',
    python_callable=load_weather_data,
    dag=dag,
)

# Définition de la séquence des tâches
create_database_and_user_task >> create_table_task >> extract_task >> transform_task >> load_task

Explication du fichier weather_etl.py / des tâches du DAG :

Le fichier weather_etl.py est un DAG (Directed Acyclic Graph) pour Apache Airflow. Il définit un pipeline ETL (Extract, Transform, Load) qui extrait des données météorologiques à partir de l'API OpenWeatherMap, les transforme et les charge dans une base de données MySQL. Voici une explication détaillée de chaque partie du script :

Importation des bibliothèques

Le script commence par importer les bibliothèques nécessaires :

• DAG et PythonOperator de airflow : Ces modules sont utilisés pour définir et gérer les tâches dans le DAG.
• datetime, timedelta, timezone : Importés pour gérer les dates et heures.
• requests : Utilisé pour faire des requêtes HTTP à l'API OpenWeatherMap.
• mysql.connector : Utilisé pour se connecter à la base de données MySQL.
• os : Utilisé pour accéder aux variables d'environnement.

Arguments par défaut du DAG

Les default_args définissent les paramètres par défaut pour toutes les tâches du DAG :

• owner : Le propriétaire du DAG (ici airflow).
• depends_on_past : Indique que chaque exécution du DAG ne dépend pas des exécutions précédentes.
• email_on_failure et email_on_retry : Désactivent l'envoi d'emails en cas d'échec ou de nouvelle tentative.
• retries : Le nombre de tentatives en cas d'échec.
• retry_delay : Le délai entre chaque tentative de réexécution (ici 5 minutes).

Définition du DAG

Le DAG est défini avec les paramètres suivants :

• dag_id : Le nom du DAG (weather_etl).
• default_args : Les arguments par défaut pour les tâches.
• description : Une courte description du DAG.
• schedule_interval : L'intervalle de planification du DAG (ici toutes les 2 minutes).
• start_date : La date de début d'exécution du DAG.
• catchup : Désactive l'exécution des périodes manquées si Airflow est arrêté.

Fonction pour créer la base de données et l'utilisateur MySQL

La fonction create_database_and_user se connecte à un serveur MySQL pour créer une base de données dédiée aux données météorologiques, spécifiée par la variable d'environnement WEATHER_MYSQL_DATABASE, si elle n'existe pas déjà. Elle crée également un utilisateur MySQL défini par MYSQL_USER avec les privilèges nécessaires pour accéder à cette base de données. Après avoir accordé tous les privilèges sur cette base à l'utilisateur, la fonction actualise les privilèges avec FLUSH PRIVILEGES pour s'assurer que les modifications sont immédiatement prises en compte. Cette automatisation garantit que l'environnement de base de données est prêt pour l'insertion et la manipulation sécurisée des données dans le cadre du pipeline ETL.

Fonction pour créer la table MySQL

La fonction create_table se connecte à la base de données MySQL spécifiée et crée une table weather si elle n'existe pas déjà. Cette table est utilisée pour stocker les données météorologiques :

• city : Le nom de la ville.
• temperature : La température.
• weather : La description du temps (ex. "ensoleillé").
• humidity, pressure, wind_speed : Les autres paramètres météorologiques.
• lt et utc : L'heure locale et l'heure UTC des données.

Fonction pour extraire les données météorologiques

La fonction extract_weather_data récupère les données météorologiques en utilisant l'API OpenWeatherMap. Elle utilise les informations de configuration comme la clé API, la ville, la langue et les unités, toutes définies dans les variables d'environnement. Les données récupérées sont ensuite stockées dans XCom pour être accessibles aux tâches suivantes.

Fonction pour transformer les données

La fonction transform_weather_data transforme les données extraites en un format prêt à être chargé dans MySQL. Elle convertit le timestamp UTC en heure locale et formate les autres champs pour l'insertion dans la base de données. Les données transformées sont également stockées dans XCom.

Fonction pour charger les données dans MySQL

La fonction load_weather_data charge les données transformées dans la table MySQL. Elle effectue les actions suivantes :

• Connexion à MySQL : Utilise les variables d'environnement pour se connecter à la base de données.
• Vérification des doublons : Avant d'insérer les nouvelles données, elle vérifie si des données similaires existent déjà (basé sur city et utc).
• Insertion des données : Si les données n'existent pas déjà, elles sont insérées dans la table weather.

Définition des tâches du DAG

Chaque étape du pipeline ETL est définie comme une tâche séparée dans le DAG :

• create_database_and_user_task : Tâche pour créer la base de doonées et l'utilisateur dans MySQL.
• create_table_task : Tâche pour créer la table dans MySQL.
• extract_task : Tâche pour extraire les données météorologiques.
• transform_task : Tâche pour transformer les données extraites.
• load_task : Tâche pour charger les données transformées dans MySQL.

Ordonnancement des tâches

Les tâches sont ordonnées de manière séquentielle :

• create_database_and_user_task >> create_table_task >> extract_task >> transform_task >> load_task : Cette syntaxe indique que create_database_and_user_task doit s'exécuter en premier, suivi de create_table_task, puis de extract_task, puis de transform_task, et enfin de load_task.

Vérification et déploiement

1. Accéder au dossier du projet :

   • Ouvrez un terminal ou une invite de commande.

   • Utilisez la commande cd pour naviguer jusqu'au dossier où se trouve votre fichier docker-compose.yml. Par exemple :

     • Sur Windows :

       cd C:\Users\VotreNomUtilisateur\Documents\weather-etl-docker-airflow-project

     • Sur macOS/Linux :

       cd /home/votre_nom_utilisateur/Documents/weather-etl-docker-airflow-project

   • Vérifiez que vous êtes dans le bon dossier en listant les fichiers avec ls ou dir pour vous assurer que docker-compose.yml est présent.

2. Vérification de la configuration :

   • Assurez-vous que toutes les variables d'environnement sont correctement définies dans .env.
   • Vérifiez que tous les fichiers nécessaires sont présents dans leur emplacement respectif.

3. Démarrage du projet :

   • Démarrez les services avec Docker Compose :

   docker-compose up -d

   Cette commande démarre tous les services définis dans votre fichier docker-compose.yml en mode détaché (-d), ce qui signifie que les conteneurs s'exécuteront en arrière-plan.

4. Accès à l'interface Airflow :

   • Une fois tous les services démarrés, accédez à l'interface web d'Airflow via http://localhost:8080 pour vérifier que le DAG est disponible et que les tâches s'exécutent correctement.

5. Accès à l'interface Adminer :

   • Accédez à l'interface web d'Adminer via http://localhost:8081 pour gérer vos bases de données MySQL. Vous pouvez utiliser Adminer pour vérifier que les bases de données airflow_db et meteo ont été créées correctement, et que les tables appropriées existent dans la base de données meteo.

6. Vérification des bases de données :

   • Connectez-vous à MySQL pour vérifier que les bases de données airflow_db et meteo ont été créées, et que les tables appropriées ont été créées dans la base de données meteo.

   docker exec -it mysql mysql -u root -p
   SHOW DATABASES;

   USE meteo;
   SHOW TABLES;

Conclusion

Ce guide vous a accompagné dans la configuration d'un pipeline ETL complet utilisant Airflow et MySQL, déployé avec Docker Compose. Grâce à cette configuration, vous pouvez automatiser l'extraction, la transformation et le chargement de données depuis une API publique vers une base de données MySQL dédiée. En suivant les étapes de ce manuel, vous avez mis en place une infrastructure robuste capable de gérer efficacement vos besoins en traitement de données. N'hésitez pas à ajuster la configuration en fonction de vos besoins spécifiques et à surveiller les performances de votre pipeline pour garantir son bon fonctionnement à long terme.