apache/airflow

Enable Streaming from SFTP to GCS in `SFTPToGCSOperator`

Open

#34,995 建立於 2023年10月17日

在 GitHub 查看
 (9 留言) (0 反應) (0 負責人)Python (16,781 fork)batch import
area:providersgood first issuekind:featureprovider:googleprovider:sftp

倉庫指標

Star
 (44,809 star)
PR 合併指標
 (平均合併 7天 18小時) (30 天內合併 834 個 PR)

描述

Description

The current SFTPToGCSOperator in Airflow does not support streaming objects directly from SFTP to Google Cloud Storage (GCS). This design poses a challenge since both Composer and Airflow best practices recommend against assigning large amounts of memory to workers. Transferring sizeable files from SFTP to GCS without streaming can potentially max out worker memory.

Use case/motivation

Prevent worker memory exhaustion, especially when dealing with large files.

Related issues

No response

Are you willing to submit a PR?

  • Yes I am willing to submit a PR!

Code of Conduct

貢獻者指南

研究方向
研究 airflow/providers/google/cloud/transfers/sftp to gcs.py 中 SFTPToGCSOperator 的當前實作。考慮使用 paramiko 的 SFTPClient.getfo 和 google cloud storage 的 Blob.upload from file 配合 BytesIO 緩衝區來串流傳輸資料。查看 issue 中的評論以獲取任何設計建議。測試串流處理方法，確保其能處理大檔案且無記憶體問題。
技術棧
pythongcp
領域
backend
議題類型
功能
難度面向新貢獻者的預計實作難度，1 表示很小改動，5 表示專家級工作。
3
預計時間有經驗貢獻者完成調查、實作、測試並準備 pull request 的粗略時間範圍。
1-2 天
活動狀態議題目前的可參與程度：新鮮、活躍、陳舊、阻塞或等待維護者輸入。
活躍
清晰度議題是否清楚說明預期改動、驗收標準和下一步。
清晰
前置要求
PythonApache AirflowGoogle Cloud Storage
新手友善度1-100 的估計分數，表示該議題對首次貢獻者的友善程度。
70