Similar presentations:
Обзор_Apache_Airflow
1.
DATA ENGINEERING • ИНСТРУМЕНТЫ ОРКЕСТРАЦИИОбзор инструмента
Apache Airflow
Архитектура, ключевые концепции, практический пример
МОДЕЛЬ ОРКЕСТРАЦИИ (DAG)
Sensor: S3KeySensor
Ожидание выгрузки данных
Task: extract_orders
Чтение и валидация схемы
конвейера данных и сравнительный анализ актуальной ветки
3.x
Task: transform_metrics
Агрегация показателей
Дисциплина: [Название учебной дисциплины]
Выполнил: [Фамилия Имя Отчество, учебная группа]
Преподаватель: [Должность, Фамилия И.О.]
Task: load_to_dwh
Загрузка витрины и Asset
Учебное заведение: [Университет, факультет / кафедра, 2026 г.]
Workflows as Code • Версия 3.4.0
Apache Software Foundation
2.
01 • ПОСТАНОВКА ПРОБЛЕМЫПочему набора cron-скриптов недостаточно для конвейеров данных
Проблемы разрозненных скриптов (cron)
Решение через централизованный оркестратор
• Неявные зависимости по времени: запуск скриптов «с
запасом» (02:00 и 03:00) ведёт к сбоям, если выгрузка
затянулась.
• Явный граф зависимостей: следующий шаг стартует
строго после успеха предыдущего или по факту появления
данных.
• Нет централизованных повторов: при сбое сети или
БД логику retries и таймаутов приходится дублировать в
каждом скрипте.
• Встроенная отказоустойчивость: декларативная
настройка числа повторов, задержек между ними, SLA и
оповещений о сбоях.
• Фрагментированный мониторинг: логи разбросаны по
серверам; нет единой картины, какой шаг упал и какие
витрины устарели.
• Единая панель наблюдаемости: веб-интерфейс со
статусами запусков, длительностью шагов, графом и
централизованными логами.
• Сложность исторических пересчётов: повторный
прогон за прошлую неделю (backfill) требует ручной
подстановки дат и контроля порядка.
• Управляемые бэкфиллы: перезапуск конвейера за
любой исторический период с соблюдением зависимостей
и версий кода.
Ключевой вывод: когда число связанных задач превышает десяток и затрагивает несколько систем, управление расписанием
и зависимостями необходимо выделить в отдельный слой оркестрации.
Источник: Apache Airflow Documentation (v3.4.0) — Overview [1]
2 / 17
3.
02 • НАЗНАЧЕНИЕ И ПРИНЦИПЫЧто такое Apache Airflow и его место в архитектуре данных
Apache Airflow — платформа с открытым исходным кодом
(Apache Software Foundation) для программного описания,
планирования и мониторинга рабочих процессов.
01
Роль в стеке: Airflow выступает координатором (control
plane), управляющим порядком вызова внешних систем
хранения и обработки данных.
02
МЕСТО AIRFLOW В ИНФРАСТРУКТУРЕ ДАННЫХ
Apache Airflow (Слой оркестрации)
Планирование • Зависимости • Ретраи • Мониторинг
Источники
Вычисления
Хранилища / BI
API, CRM, S3, Kafka
Spark, dbt, SQL
ClickHouse, Postgres
03
04
Источник: Apache Airflow Documentation (v3.4.0) — Concepts Overview [1]
Workflows as Code (Пайплайны как код)
Конвейеры описываются программно (Python; с v3.4 —
эксперимент с др. языками). Доступны Git, code review и
тесты.
Разделение оркестрации и вычислений
Airflow не обрабатывает терабайты данных в памяти
воркера: тяжёлые расчёты делегируются Spark, SQL-движкам
и dbt.
Динамическая генерация графов
Поскольку граф формируется кодом, структуру задач можно
параметризовать на основе конфигураций и метаданных.
Расширяемость через провайдеры
Более 90 официальных provider-пакетов обеспечивают
готовые интеграции с облаками, СУБД и системами
аналитики.
3 / 17
4.
03 • БАЗОВАЯ МОДЕЛЬ ДАННЫХКлючевые понятия: от описания графа к экземпляру выполнения
DAG (Шаблон графа)
Статическое описание задач
и связей в коде
состоит
TASKS И ЗАВИСИМОСТИ (>>)
Task A: extract
Task B: transform
Task C: load
запуск по расписанию / событию
DAG Run (Экземпляр)
Конкретный прогон графа за
логическую дату
создаёт
TASK INSTANCES (ЭКЗЕМПЛЯРЫ ЗАДАЧ СО СТАТУСАМИ)
TI A: success
TI B: running
TI C: scheduled
DAG
Task и Dependencies
DAG Run
Task Instance (TI)
Направленный ациклический
граф. Задаёт структуру
конвейера и гарантирует
отсутствие циклов.
Task — атомарный шаг.
Зависимости (>>) определяют
порядок старта и правила
перехода (Trigger Rules).
Конкретный запуск DAG с
привязкой к интервалу
данных (logical_date) или
внешнему событию.
Экземпляр выполнения
одной задачи внутри DAG
Run, имеющий статус и
счётчик попыток.
Источник: Apache Airflow Documentation (v3.4.0) — Core Concepts [1]
4 / 17
5.
04 • ПРАКТИЧЕСКИЙ СЦЕНАРИЙПример процесса: ежедневная аналитика продаж (daily_sales_etl)
1. Ожидание файла
2. Извлечение
3. Трансформация
4. Загрузка в DWH
5. Уведомление
wait_for_orders
extract_orders
transform_metrics
load_to_dwh
notify_analyst
S3KeySensor
@task (Python)
@task / SQL
@task + Asset
@task / Webhook
Этап графа
Назначение и выполняемая операция
Вход / Выход
Реакция на сбой и
идемпотентность
wait_for_orders
Проверка наличия выгрузки CRM (orders_YYYY-MMDD.parquet) в S3
Вход: путь в S3
Выход: сигнал готовности
Режим reschedule: освобождает слот
воркера между проверками
extract_orders
Чтение сырого файла за сутки, валидация схемы и
типов полей
Вход: файл из S3
Выход: метаданные в XCom
2 автоповтора (retries=2) с
интервалом 5 мин при сетевом сбое
transform_metrics
Фильтрация отмен, расчёт дневной выручки и
среднего чека
Вход: очищенные записи
Выход: агрегированный срез
Детерминированный расчёт за
data_interval_start..end
load_to_dwh
Запись дневного среза в таблицу DWH и
публикация Asset
Вход: агрегаты
Выход: событие Asset для BI
Перезапись партиции за дату
исключает дубли при ретрае
Сквозной учебный пример конвейера данных для последующей реализации в коде
5 / 17
6.
05 • ЖИЗНЕННЫЙ ЦИКЛ ИСПОЛНЕНИЯКак работает Airflow: от файла с кодом до фиксации результата
Шаг 1
Шаг 2
Шаг 3
Шаг 4
Шаг 5
Разработка и доставка DAG
Инженер описывает граф в файле и загружает его в Git. Механизм Git-sync или общий том доставляет код в директорию
dags/.
Парсинг и версионирование (DAG Processor)
Отдельный процесс DAG Processor сканирует файлы, извлекает структуру задач и сохраняет версию DAG в Metadata
Database.
Планирование запуска (Scheduler)
Scheduler сверяет расписания (Cron / Timetables) и обновления Assets, создаёт DAG Run и переводит задачи в статус
scheduled.
Диспетчеризация задач (Executor)
Executor передаёт готовые задачи на исполнение — локальным процессам, воркерам Celery или изолированным Pod в
Kubernetes.
Выполнение и запись метаданных (Worker + API Server)
Worker выполняет код задачи, обновляет статусы и XCom через Task Execution API Server в Metadata DB, а логи пишет в
хранилище.
Источник: Apache Airflow Documentation (v3.4.0) — Architecture & Scheduler [1, 3]
6 / 17
7.
06 • СИСТЕМНАЯ АРХИТЕКТУРААрхитектура Apache Airflow 3.x: основные компоненты и связи
DAG Files
Scheduler
Git-sync / Shared Volume
Планирование DAG Runs,
Local / Celery /
Изолированное
(Python / Task SDK)
триггеры и очереди
Kubernetes / Edge
выполнение задач
очередь
Executor
запуск
Workers
Task Exec
API
чтение кода
REST
DAG Processor
запись DAG
Web UI (React)
Графы, логи, бэкфиллы,
управление Assets
Metadata Database
API Server
Независимый парсинг
PostgreSQL / MySQL
FastAPI: Web UI API +
и сериализация графов
(Статусы, версии, XCom)
Task Execution API
Task Logs Storage
S3 / GCS / Локальная ФС
(Журналы задач)
запись и чтение логов
Изоляция БД в Airflow 3.x: Workers не
обращаются к Metadata DB напрямую —
статусы и XCom идут через Task Execution API
Server.
Независимый DAG Processor: парсинг файлов
отделён от цикла планирования Scheduler,
повышая отказоустойчивость.
Схема построена по официальной документации Apache Airflow 3.x (изоляция Workers через Task Execution API) [1, 3]
Современный стек API: веб-интерфейс
переписан на React и FastAPI, упрощая
интеграцию с внешними воркерами.
7 / 17
8.
07 • ИНСТРУМЕНТЫ РАЗРАБОТКИ ГРАФОВOperators, Sensors и TaskFlow API: роли и различия
Operators (Операторы)
Sensors (Сенсоры)
TaskFlow API (@dag / @task)
Готовые шаблоны выполнения действий
Ожидание наступления внешнего события
Декларативный стиль на Python
• Назначение: выполняют операцию
или запускают расчёт во внешней
системе.
• Назначение: приостанавливают
ветку до условия (файл в S3, запись в
БД, внешний DAG).
• Назначение: превращает функции
Python в задачи DAG с помощью
декораторов.
• Action Operators: BashOperator,
PythonOperator,
SQLExecuteQueryOperator,
KubernetesPodOperator.
• Режим poke: воркер проверяет
условие в цикле, удерживая слот
исполнения.
• Неявные зависимости: вызов
task_b(task_a()) строит связь и передаёт
данные через XCom.
• Режим reschedule: освобождает слот
между проверками, экономя ресурсы.
• Читаемость и тесты: сокращает
шаблонный код и упрощает модульное
тестирование.
• Transfer Operators: переносят
данные между хранилищами
(S3ToRedshiftOperator).
• Применение: оптимальны для
типовых интеграций через готовые
провайдеры.
• Deferrable (Triggerer): асинхронное
ожидание на asyncio без занятия
воркера.
Источник: Apache Airflow Documentation (v3.4.0) — Authoring and Scheduling [4]
• Совместимость: легко
комбинируется с Operators и Sensors в
одном графе.
8 / 17
9.
08 • РЕАЛИЗАЦИЯ ПАЙПЛАЙНА В КОДЕПример DAG на Python с использованием TaskFlow API (Airflow 3.4)
dags/daily_sales_etl.py • Python 3.11+ / Airflow 3.4
1. Импорт из airflow.sdk
from datetime import datetime
from airflow.sdk import dag, task
В Airflow 3 используется выделенный пакет
Task SDK (airflow.sdk), отделяющий API
разработки графов от внутренних модулей.
@dag(
dag_id="daily_sales_etl",
schedule="@daily",
start_date=datetime(2026, 1, 1),
catchup=False,
tags=["etl", "sales"],
)
def daily_sales_etl():
@task
def extract_orders() -> list[dict]:
# Выгрузка заказов за расчётные сутки
return [{"id": 101, "amount": 2400}, {"id": 102, "amount": 1600}]
@task
def transform_metrics(orders: list[dict]) -> dict:
# Агрегация дневной выручки и числа заказов
revenue = sum(item["amount"] for item in orders)
return {"orders_count": len(orders), "revenue": revenue}
@task
def load_to_dwh(summary: dict) -> None:
# Запись агрегированной витрины в DWH
print(f"Loaded summary: {summary}")
load_to_dwh(transform_metrics(extract_orders()))
daily_sales_etl()
Синтаксис соответствует airflow.sdk (Task SDK в Apache Airflow 3.x) [4]
2. Параметры декоратора @dag
schedule="@daily" задаёт суточный интервал,
а catchup=False отключает запуск всех
пропущенных интервалов с start_date при
деплое.
3. Автоматическая связка через XCom
Вложенный вызов функций строит
зависимости extract → transform → load и
передаёт метаданные через XCom.
9 / 17
10.
09 • МОНИТОРИНГ И ДИАГНОСТИКАИнтерфейс Apache Airflow 3: визуализация и анализ запусков
Жизненный цикл Task Instance:
scheduled
queued
running
up_for_retry
success / failed
Grid View (Матрица запусков)
Graph View (Топология графа)
Хронология DAG Runs и статусов задач
Визуализация зависимостей и структуры DAG
• Матрица «задача × дата»: цветовая индикация состояний Task
Instance за серию запусков.
• Структура конвейера: отображение задач, сенсоров,
ветвлений и связей.
• Контроль длительности: график Duration помогает выявлять
деградацию запросов.
• Срез запуска: подсветка текущего состояния задач в
выбранном DAG Run.
• Управление: выборочный перезапуск упавшей задачи и её
потомков (Clear).
• Инспекция: переход к коду задачи, атрибутам и Trigger Rules.
Task Logs & Attempt History
Assets, XCom и DAG Versions (Airflow 3)
Журналы исполнения и диагностика сбоев
Наблюдаемость данных и версий кода
• Логи по попыткам: отдельный журнал для каждого номера
попытки (try_number).
• Граф Assets: связи между DAG-производителями и
потребителями данных.
• Трассировка ошибок: Python traceback, вывод SQL/Spark и
события воркера.
• Инспектор XCom: просмотр метаданных, переданных между
задачами запуска.
• Внешние хранилища: чтение логов из S3, GCS или Elasticsearch
в браузере.
• Версии графа: фиксация версии кода DAG для каждого
исторического запуска.
Источник: Apache Airflow Documentation (v3.4.0) — User Interface (React + FastAPI) [1, 2]
10 / 17
11.
10 • ПЛАНИРОВАНИЕ И ОБМЕН ДАННЫМИУправление запусками и данными: расписания, Assets и XCom
Макро-уровень: условия запуска всего DAG
Микро-уровень: координация внутри графа
1. Временное планирование (Cron и Timetables):
Trigger Rules и ветвление:
Выражения (0 6 * * *), пресеты (@daily) и программируемые
Timetables для сложных календарей (например, только
торговые дни).
По умолчанию задача ждёт успеха всех родителей
(all_success). Доступны one_failed (алерты), all_done и
@task.branch.
2. Дата-ориентированное планирование (Assets):
XCom (Cross-Communication):
В Airflow 3 Datasets переименованы в Assets. DAGпроизводитель фиксирует обновление таблицы/файла, а
потребитель стартует реактивно.
Передача небольших метаданных (пути к файлам в S3, ID
батча, счётчики строк) между задачами одного DAG Run.
3. Событийные запуски (Event-driven, Airflow 3.x):
Активация DAG при поступлении сообщений из внешних
очередей (например, AWS SQS) без постоянного опроса
сенсором.
Источник: Apache Airflow Documentation (v3.4.0) — Scheduling & Data-Aware Workflows [4]
Важное ограничение XCom:
XCom сохраняется в базе метаданных. Передавать через
XCom сами наборы данных (DataFrame, CSV) — антипаттерн:
данные записывают в S3/DWH, а через XCom передают
только ссылку.
11 / 17
12.
11 • МАСШТАБИРОВАНИЕ ИСПОЛНЕНИЯExecutors в Apache Airflow: выбор модели выполнения задач
Executor
Механизм запуска задач
Масштабирование и
изоляция
Когда применяется
Основные ограничения
LocalExecutor
Дочерние процессы на том же
сервере, где работает
Scheduler
Только вертикальное (ресурсы
одного хоста); общее
окружение Python
Локальная разработка,
тестирование, небольшие
нагрузки
Нет отказоустойчивости при
падении узла; конкуренция
за CPU/RAM
CeleryExecutor
Очередь сообщений (Redis /
RabbitMQ) и пул постоянных
Celery Workers
Горизонтальное добавление
узлов; общее окружение
воркеров
Высокий поток однотипных
задач с минимальной
задержкой старта
Сложность сопровождения
брокера; простой ресурсов
при низкой нагрузке
KubernetesExecutor
Создание отдельного Pod в K8s
под каждый Task Instance и
удаление после
Эластичное
масштабирование; полная
изоляция зависимостей и
ресурсов
Гетерогенные задачи (разные
образы, GPU/память),
облачный продакшен
Накладные расходы
времени (секунды) на
инициализацию Pod для
каждой задачи
EdgeExecutor
(Airflow 3.x)
Удалённые воркеры на
периферии взаимодействуют
через HTTP/API
Вынос исполнения в
изолированные сегменты сети
без доступа к БД
Гибридные инфраструктуры,
локальные контуры за NAT /
firewall
Предназначен для
распределённых
периферийных задач, а не
замены K8s
Источник: Apache Airflow Documentation (v3.4.0) — Executors Overview [3]
12 / 17
13.
12 • ЭВОЛЮЦИЯ ПЛАТФОРМЫКлючевые нововведения ветки Apache Airflow 3.x
Airflow 3.0
СТАБИЛЬНО
Airflow 3.0
СТАБИЛЬНО
Task Execution API и изоляция БД
Версионирование DAG (DAG Versioning)
Воркеры больше не подключаются к Metadata DB напрямую.
Взаимодействие идёт через REST API, повышая безопасность и
масштабируемость.
Каждый DAG Run фиксирует версию кода старта. Обновление
репозитория не ломает выполняющиеся графы, история версий
видна в UI.
Airflow 3.0
СТАБИЛЬНО
Airflow 3.1
СТАБИЛЬНО
Управляемые Backfills и новый UI
Human-in-the-loop (ручные согласования)
Исторические пересчёты перенесены из CLI в Scheduler и Web UI
(React + FastAPI) с контролем прогресса, паузой и отменой.
Встроенная приостановка пайплайна до подтверждения или ввода
параметров человеком через UI без кастомных сенсоров.
Airflow 3.4
СТАБИЛЬНО
Airflow 3.4
ЭКСПЕРИМЕНТАЛЬНО
Task Loops (итерации внутри задач)
Описание DAG на других языках
Поддержка циклического выполнения и повторных итераций на
уровне задач без нарушения свойства ацикличности самого графа.
Экспериментальная поддержка авторства DAG за пределами Python
поверх архитектуры Task SDK и API Server.
Источники: Apache Airflow 3.4.0 Release Notes & Official Blog (актуально на ноябрь 2026 г.) [2, 5]
13 / 17
14.
13 • ОБЪЕКТИВНАЯ ИНЖЕНЕРНАЯ ОЦЕНКАСильные стороны и ограничения Apache Airflow
Инженерные преимущества
Ограничения и антипаттерны использования
• Зрелый подход Workflows as Code: полноценная
поддержка Git, модульного тестирования графов и
автоматического развёртывания через CI/CD.
• Не подходит для потоковой обработки (Streaming):
архитектура рассчитана на дискретные пакетные запуски,
а не непрерывную обработку с субсекундной задержкой.
• Широкая экосистема интеграций: более 90 готовых
provider-пакетов для облачных платформ, СУБД, Spark, dbt,
Kafka и Kubernetes.
• Не вычислительный движок: попытка загружать и
агрегировать гигабайты данных в Python-процессе
воркера приводит к нехватке памяти (OOM).
• Прозрачная наблюдаемость и аудит: детальная
история запусков, централизованные логи по попыткам,
версионирование графов и контроль Assets.
• Сложность эксплуатации инфраструктуры:
продакшен-кластер требует сопровождения PostgreSQL,
Scheduler, API Server, воркеров и хранилища логов.
• Гибкое масштабирование: выбор Executor от
локального процесса до динамических Pod в Kubernetes и
периферийных узлов.
• Порог входа при проектировании: требует понимания
идемпотентности, управления соединениями (Connections)
и разделения оркестрации и вычислений.
Источник: Apache Airflow Documentation (v3.4.0) — Best Practices & Architecture [1, 3]
14 / 17
15.
14 • СРАВНИТЕЛЬНЫЙ АНАЛИЗСравнение Apache Airflow с Prefect и Dagster
Критерий сравнения
Apache Airflow (3.x)
Prefect (3.x)
Dagster
Модель описания
пайплайна
Декларативный граф задач (DAG) +
TaskFlow API (@dag, @task)
Динамические Python-функции (@flow,
@task) без жёсткого статического DAG
Декларативные активы данных
(@asset, Software-Defined Assets)
Ориентация на данные
Assets и событийные запуски поверх
классического расписания
Ориентация на состояние потоков и
события; ветвление в runtime
Активы данных, строгая типизация и
происхождение данных (lineage) в
основе
Инфраструктура
развёртывания
Metadata DB + Scheduler + API Server +
Workers (или Managed-сервисы)
Гибридная модель: Prefect Server /
Cloud + лёгкие воркеры
Dagster Daemon + Webserver +
изолированные User Code Deployments
Локальная разработка и
тесты
Требует локального окружения / базы
метаданных (airflow standalone)
Запускается как обычный Pythonскрипт без поднятия сервера
Высокая модульность; удобное
локальное тестирование активов без
БД
Оптимальный сценарий
выбора
Сложные корпоративные ETL/ELT,
стабильные расписания, мультиоблако
Быстрая автоматизация Pythonскриптов, динамические MLпайплайны
Аналитические платформы вокруг dbt +
DWH со строгим контролем схем
Примечание: выбор инструмента определяется архитектурой команды — Airflow лидирует по числу готовых интеграций, Prefect упрощает динамический
Python-код, Dagster ориентирован на data-centric моделирование.
Источники: официальная документация Apache Airflow 3.4, Prefect 3 и Dagster [1, 6, 7]
15 / 17
16.
15 • ИТОГИ И РЕКОМЕНДАЦИИВыводы: когда применять Apache Airflow, а когда выбрать другой стек
Когда Apache Airflow целесообразен
• Регулярные пакетные ETL/ELT-конвейеры: ежечасная,
суточная или событийная синхронизация данных между
источниками, DWH и аналитическими витринами.
• Координация гетерогенных систем: единый конвейер
объединяет вызовы REST API, задания Apache Spark, модели
dbt, SQL-скрипты и контейнеры K8s.
Задачи для специализированных инструментов
Потоковая обработка событий в реальном времени (subsecond)
→ Apache Kafka, Apache Flink, Spark Structured Streaming
Тяжёлые распределённые вычисления и трансформация
больших данных
• Требования к аудиту и надёжности: необходимы
строгий контроль зависимостей, политики ретраев,
исторические пересчёты (backfills) и версионирование
графов.
→ Apache Spark, ClickHouse, Snowflake, dbt (Airflow только
оркестрирует)
• Командная разработка: несколько инженеров
совместно поддерживают десятки взаимосвязанных
пайплайнов через Git и CI/CD.
→ Системный cron или systemd timers без накладных
расходов на кластер
Одиночные периодические скрипты на одном сервере без
зависимостей
Динамические Python/ML-пайплайны или data-centric
аналитика с dbt
→ Prefect (для динамических потоков) или Dagster (для
активов данных)
Обобщение по материалам технической документации Apache Airflow (v3.4.0) [1–4]
16 / 17
17.
16 • БИБЛИОГРАФИЧЕСКИЙ СПИСОКСписок использованных технических источников
[1]
Apache Software Foundation. Apache Airflow Documentation (v3.4.0) — Concepts Overview.
https://airflow.apache.org/docs/apache-airflow/3.4.0/concepts/overview.html (дата обращения: 17.11.2026)
[2]
Apache Software Foundation. Apache Airflow 3.4.0 Release Notes.
https://airflow.apache.org/docs/apache-airflow/3.4.0/release_notes.html (дата обращения: 17.11.2026)
[3]
Apache Software Foundation. Apache Airflow Documentation (v3.4.0) — Architecture & Executors.
https://airflow.apache.org/docs/apache-airflow/3.4.0/core-concepts/executor/index.html (дата обращения: 17.11.2026)
[4]
Apache Software Foundation. Apache Airflow Documentation (v3.4.0) — Authoring and Scheduling (TaskFlow API, Assets).
https://airflow.apache.org/docs/apache-airflow/3.4.0/authoring-and-scheduling/index.html (дата обращения: 17.11.2026)
[5]
Apache Software Foundation. Apache Airflow Official Blog — Airflow 3.0 & 3.x Architectural Announcements.
https://airflow.apache.org/blog/ (дата обращения: 17.11.2026)
[6]
Prefect Technologies, Inc. Prefect 3 Documentation — Workflows & Hybrid Architecture.
https://docs.prefect.io/ (дата обращения: 17.11.2026)
[7]
Dagster Labs. Dagster Documentation — Software-Defined Assets & Data Lineage.
https://docs.dagster.io/ (дата обращения: 17.11.2026)
Примечание об иллюстрациях: все схемы графов, жизненных циклов и архитектура Apache Airflow 3.x (слайды 1, 4, 5, 7, 10) построены самостоятельно по
официальной документации [1, 3].
Все ссылки сверены с официальной документацией проектов (дата обращения: 17.11.2026)
17 / 17
software