Apache Airflow 系列教程 | 第6课：DAG 解析与处理引擎

导读（Introduction）

欢迎来到 Apache Airflow 源码深度解析系列的第六课。

在前一课中，我们深入剖析了 Scheduler 的核心原理——它如何在循环中创建 DagRun、推进任务状态、将任务入队给 Executor。但 Scheduler 能调度 DAG 的前提是：系统必须先"看到"这些 DAG。这就是 DAG 解析与处理引擎所承担的职责。

想象一下：你在dags/目录下新建了一个 Python 文件，定义了一个 DAG。Airflow 是如何发现这个文件、导入其中的 Python 模块、提取 DAG 对象、序列化并写入数据库的？这个从"文件"到"数据库记录"的转换过程，正是本课的核心主题。

Airflow 3.x 对 DAG 解析体系做了重大重构，引入了DAG Bundle概念（源自 AIP-66），将 DAG 文件的组织与加载从"单一文件夹扫描"升级为"多源可插拔的 Bundle 管理"。同时，解析过程被设计为独立的子进程，实现了与 Scheduler 主进程的安全隔离——这意味着即使用户编写的 DAG 代码存在 bug 或安全风险，也不会影响调度器的稳定性。

本课将带你逐层拆解这个精密的解析引擎，从文件发现到子进程解析，从序列化到数据库持久化，完整理解 Airflow 如何将静态的 Python 文件转化为可调度的工作流实体。

学习目标（Learning Objectives）

完成本课学习后，你将能够：

1. 理解 DAG 文件发现与导入机制——掌握 Airflow 如何扫描目录、过滤文件、检测 DAG 内容
2. 掌握 DagBag 容器的工作原理——了解 DAG 的内存管理、验证和收集过程
3. 理解 DAG Bundle 概念——掌握 AIP-66 引入的多源 DAG 文件组织与加载体系
4. 分析 DagFileProcessorManager 的处理循环——理解并行解析的调度策略和生命周期管理
5. 掌握子进程解析的通信协议——了解 Manager 与 Parser 子进程之间的 IPC 机制
6. 理解解析结果的持久化路径——从序列化 DAG 到写入 DagModel、SerializedDagModel 的完整链路

正文内容（Main Content）

1. 整体架构：从文件到数据库的转换链路

DAG 解析引擎的核心使命是将用户编写的 Python DAG 文件转化为数据库中的结构化记录。这个过程可以概括为以下流水线：

DAG 文件 (.py) │ ▼ ┌─────────────────────────────────────────┐ │ DagFileProcessorManager (管理进程) │ │ - 文件发现 & Bundle 刷新 │ │ - 文件队列调度 │ │ - 子进程生命周期管理 │ └────────────────────┬────────────────────┘ │ fork 子进程 ▼ ┌─────────────────────────────────────────┐ │ DagFileProcessorProcess (子进程) │ │ - _parse_file_entrypoint() │ │ - DagBag.process_file() 加载 DAG │ │ - DagSerialization.to_dict() 序列化 │ │ - 通过 IPC 返回 DagFileParsingResult │ └────────────────────┬────────────────────┘ │ 结果回传 ▼ ┌─────────────────────────────────────────┐ │ persist_parsing_result() │ │ - update_dag_parsing_results_in_db() │ │ - 写入 DagModel / SerializedDagModel │ │ - 更新 ParseImportError / DagWarning │ └─────────────────────────────────────────┘

让我们逐层深入了解每个组件的实现细节。

2. DAG Bundle：多源文件组织体系

2.1 Bundle 的设计动机

在传统 Airflow 中，所有 DAG 文件必须放在一个统一的dags_folder中。这在大规模团队协作时会产生问题：

• 不同团队的 DAG 混在一起，缺乏隔离
• 无法为不同来源的 DAG 配置不同的刷新频率
• Git 仓库管理困难，无法支持多仓库结构

Airflow 3.x 通过DAG Bundle（AIP-66）解决了这些问题。Bundle 是 DAG 文件的逻辑分组单位，每个 Bundle 可以有不同的来源（本地目录、Git 仓库等）、版本控制和刷新策略。

2.2 BaseDagBundle 抽象基类

所有 Bundle 实现都继承自BaseDagBundle：

# 源码位置：airflow-core/src/airflow/dag_processing/bundles/base.pyclassBaseDagBundle(ABC):""" DAG bundles are used both by the DAG processor and by a worker when running a task. When running a task, we know what version of the bundle we need. The DAG processor uses a bundle to keep the DAGs up to date, always using the latest version. """supports_versioning:bool=Falsedef__init__(self,*,name:str,refresh_interval:int=conf.getint("dag_processor","refresh_interval"),version:str|None=None,view_url_template:str|None=None,)->None:self.name=name self.version=version self.refresh_interval=refresh_interval self.is_initialized:bool=Falseself.base_dir=get_bundle_base_folder(bundle_name=self.name)self.versions_dir=get_bundle_versions_base_folder(bundle_name=self.name)@property@abstractmethoddefpath(self)->Path:"""Airflow will use this path to find/load/execute the DAGs from the bundle."""@abstractmethoddefget_current_version(self)->str|None:"""Retrieve a string that represents the version of the DAG bundle."""@abstractmethoddefrefresh(self)->None:"""Retrieve the latest version of the files in the bundle."""definitialize(self)->None:"""Called before the bundle is used. Safe to call concurrently."""self.is_initialized=True

关键设计要点：

2.3 LocalDagBundle：本地目录实现

最简单的 Bundle 实现是本地目录：

# 源码位置：airflow-core/src/airflow/dag_processing/bundles/local.pyclassLocalDagBundle(BaseDagBundle):"""Local DAG bundle - exposes a local directory as a DAG bundle."""supports_versioning=Falsedef__init__(self,*,path:str|None=None,**kwargs)->None:super().__init__(**kwargs)ifpathisNone:path=settings.DAGS_FOLDER self._path=Path(path)defget_current_version(self)->None:returnNonedefrefresh(self)->None:"""Nothing to refresh - it's just a local directory."""@propertydefpath(self)->Path:returnself._path

LocalDagBundle不支持版本控制（supports_versioning = False），刷新操作为空操作。它就是简单地指向一个本地文件夹。

2.4 DagBundlesManager：配置解析与实例化

DagBundlesManager负责读取配置并管理所有 Bundle 实例：

# 源码位置：airflow-core/src/airflow/dag_processing/bundles/manager.pyclassDagBundlesManager(LoggingMixin):"""Manager for DAG bundles."""def__init__(self):self._bundle_config:dict[str,_InternalBundleConfig]={}self.parse_config()defparse_config(self)->None:"""Get all DAG bundle configurations and store in instance variable."""config_list=conf.getjson("dag_processor","dag_bundle_config_list")# ... 解析 JSON 配置列表 ...forbundle_configinbundle_config_list:class_=import_string(bundle_config.classpath)self._bundle_config[bundle_config.name]=_InternalBundleConfig(bundle_class=class_,kwargs=bundle_config.kwargs,team_name=bundle_config.team_name,)defget_bundle(self,name:str,version:str|None=None)->BaseDagBundle:"""Get a DAG bundle by name."""cfg_bundle=self._bundle_config.get(name)returncfg_bundle.bundle_class(name=name,version=version,**cfg_bundle.kwargs)defsync_bundles_to_db(self,*,session:Session=NEW_SESSION)->None:"""Sync configured DAG bundles to the metadata database."""# 同步 DagBundleModel 记录

配置示例（airflow.cfg）：

[dag_processor] dag_bundle_config_list = [ { "name": "my_team_dags", "classpath": "airflow.dag_processing.bundles.local.LocalDagBundle", "kwargs": {"path": "/opt/airflow/dags/my_team"}, "team_name": "data_engineering" }, { "name": "ml_pipelines", "classpath": "my_custom.GitDagBundle", "kwargs": {"repo_url": "https://github.com/org/ml-dags.git"} } ]

2.5 Bundle 版本管理与 Worker 协作

Bundle 在 DAG Processor 和 Worker 中的使用模式不同：

┌─────────────────────────────────────────────────────────────┐ │ DAG Processor │ │ - 始终使用最新版本 │ │ - 定期 refresh() 拉取更新 │ │ - 同一时间只有一个版本在使用 │ └─────────────────────────────────────────────────────────────┘ ┌─────────────────────────────────────────────────────────────┐ │ Worker │ │ - 使用任务创建时的特定版本 │ │ - 可能同时运行多个版本 │ │ - 通过 BundleVersionLock 锁定版本 │ └─────────────────────────────────────────────────────────────┘

BundleUsageTrackingManager负责清理不再使用的旧版本：

classBundleUsageTrackingManager:"""Utility helper for removing stale bundles."""defremove_stale_bundle_versions(self):"""Remove bundles not in use and not used for some time. Keeps last N used bundles, and bundles used within X time."""bundles=list(DagBundlesManager().get_all_dag_bundles())forbundleinbundles:ifnotbundle.supports_versioning:continueself._remove_stale_bundle_versions_for_bundle(bundle_name=bundle.name)

3. DagBag：DAG 的内存容器

3.1 DagBag 的职责

DagBag是 Airflow 中经典的核心组件，它充当 DAG 对象的内存容器。其核心职责：

1. 扫描目录：发现可能包含 DAG 的 Python 文件
2. 导入模块：执行 Python 文件，提取 DAG 对象
3. 验证 DAG：检测循环依赖、重复 ID、执行集群策略
4. 收集错误：记录导入错误和警告

# 源码位置：airflow-core/src/airflow/dag_processing/dagbag.pyclassDagBag(LoggingMixin):""" A dagbag is a collection of dags, parsed out of a folder tree. Makes it easier to run distinct environments for production and development, tests, or different teams or security profiles. """def__init__(self,dag_folder:str|Path|None=None,include_examples:bool|ArgNotSet=NOTSET,safe_mode:bool|ArgNotSet=NOTSET,load_op_links:bool=True,collect_dags:bool=True,known_pools:set[str]|None=None,bundle_path:Path|None=None,bundle_name:str|None=None,):self.dag_folder=dag_folderorsettings.DAGS_FOLDER self.dags:dict[str,DAG]={}self.file_last_changed:dict[str,datetime]={}self.import_errors:dict[str,str]={}self.captured_warnings:dict[str,tuple[str,...]]={}self.known_pools=known_pools self.bundle_path=bundle_path