Apache Airflow Reseñas y Detalles del Producto

Me gustan los DAGs claros de Apache Airflow ya que hacen que los flujos de trabajo sean fáciles de entender y mantener. La función de programación asegura que las canalizaciones se ejecuten automáticamente sin esfuerzo manual, lo cual es realmente útil. También aprecio los reintentos y la monitorización, ya que ayudan a detectar y recuperarse rápidamente de fallos. Además, su escalabilidad es una ventaja significativa, permitiéndome manejar cargas de trabajo de datos crecientes de manera confiable, haciendo que Airflow sea confiable para canalizaciones de producción. En general, estas características realmente mejoran mi experiencia con Apache Airflow. Reseña recopilada por y alojada en G2.com.

Algunas cosas en Apache Airflow no funcionan muy bien para mí. La configuración inicial es un poco compleja y lleva tiempo. La interfaz de usuario a veces se siente lenta cuando hay muchos DAGs ejecutándose. Depurar tareas fallidas no siempre es claro, los registros están dispersos. Además, las actualizaciones de versión pueden romper los DAGs existentes, la compatibilidad hacia atrás debería ser mejor. Reseña recopilada por y alojada en G2.com.

Apache Airflow hace que sea increíblemente fácil diseñar, programar y monitorear flujos de trabajo complejos usando Python. Me gusta cómo permite construir DAGs de una manera muy legible y modular, lo que ayuda a gestionar grandes flujos de datos. La interfaz de usuario es intuitiva y ofrece visibilidad completa sobre la ejecución de tareas, reintentos y registros. Su capacidad para integrarse sin problemas con bases de datos, proveedores de la nube y servicios externos lo hace muy flexible para casos de uso del mundo real. El soporte de la comunidad y los plugins disponibles también facilitan la extensión de la funcionalidad según sea necesario. El soporte al cliente también es bueno. Reseña recopilada por y alojada en G2.com.

Airflow puede ser un poco desafiante de configurar e instalar inicialmente, especialmente al desplegar en producción con múltiples trabajadores y planificadores. La gestión de recursos y el escalado a veces requieren ajustes adicionales, y la depuración puede ser complicada para los nuevos usuarios. La curva de aprendizaje es más pronunciada en comparación con algunas otras herramientas de orquestación, y la interfaz de usuario, aunque útil, podría ser más moderna y receptiva. Sin embargo, una vez configurado, se vuelve estable y muy confiable. Reseña recopilada por y alojada en G2.com.

Utilizo Apache Airflow para la gestión y monitoreo del flujo de proyectos. Encuentro valiosas sus características de interfaz de usuario basada en la web y de scripting en Python, lo que facilita el desarrollo y diseño de flujos de procesos. Python como lenguaje de scripting es más amigable para el usuario que otros lenguajes complejos, lo que ayuda a escribir diagramas de flujo complejos mejor que con lenguajes tradicionales. Reseña recopilada por y alojada en G2.com.

El proceso de instalación de Apache Airflow es bastante complejo y depende en gran medida de PIP, lo que lo hace muy difícil de manejar en servidores bloqueados por ciberseguridad. La configuración inicial es desafiante, especialmente en un entorno basado en proxy, ya que requiere muchos permisos e instalaciones manuales. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de Apache Airflow es su flexibilidad y sus potentes capacidades de programación. Como desarrollador, puedo diseñar flujos de trabajo complejos como código usando Python, lo que facilita el control de versiones y la colaboración con compañeros de equipo. La interfaz de usuario es intuitiva para monitorear las ejecuciones de DAG y solucionar problemas, y el gran ecosistema de integraciones de Airflow me permite conectarme con casi cualquier herramienta o base de datos. Reseña recopilada por y alojada en G2.com.

La curva de aprendizaje es bastante pronunciada, especialmente al configurar el programador y gestionar las dependencias de tareas. A veces, la interfaz web de Airflow se siente lenta, y resolver problemas puede complicarse con DAGs complejos. Además, aunque hay muchas integraciones, mantener las dependencias compatibles durante las actualizaciones no siempre es sencillo. Reseña recopilada por y alojada en G2.com.

Airflow mejora la observabilidad de las canalizaciones, tanto del proceso como de los datos, al más alto nivel.

Permite la distribución de la ejecución de canalizaciones entre un equipo de partes interesadas con diferentes antecedentes técnicos en un entorno seguro y fácil de usar. Reseña recopilada por y alojada en G2.com.

La instalación, configuración y ejecución no son sencillas, y es necesario realizar algunos ajustes. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de Apache Airflow es cómo me permite orquestar complejas canalizaciones de datos de una manera muy estructurada. En la planificación de la demanda de la cadena de suministro, tratamos con múltiples fuentes de datos: ventas, inventario, producción, incluso señales externas como festivos o el clima. Airflow facilita la programación, el monitoreo y la reejecución de estos flujos de trabajo sin demasiados problemas manuales. También me gusta la visibilidad que ofrece a través de la interfaz de usuario, ayuda a detectar rápidamente cuándo una tarea está fallando y por qué. Para mí, esto ahorra mucho tiempo en comparación con escribir scripts ad hoc y trabajos cron. Reseña recopilada por y alojada en G2.com.

A veces, Airflow puede parecer un poco pesado, especialmente al configurarlo por primera vez. Para flujos de trabajo más pequeños, casi parece excesivo, pero en proyectos más grandes de planificación de la cadena de suministro vale la pena. La interfaz de usuario es buena pero puede ser lenta cuando tienes demasiados DAGs ejecutándose. Además, la curva de aprendizaje no es trivial: lleva tiempo sentirse cómodo con los operadores, las conexiones y el manejo de backfills. También desearía que la documentación tuviera más casos de uso del mundo real en la cadena de suministro en lugar de solo ejemplos genéricos de ETL. Reseña recopilada por y alojada en G2.com.

Configurar canalizaciones ETL y orquestar flujos de trabajo es sencillo, gracias a la amplia gama de integraciones disponibles con casi todas las fuentes de datos y aplicaciones empresariales. Reseña recopilada por y alojada en G2.com.

Si bien hay una amplia gama de posibles integraciones, el programador incorporado no es particularmente avanzado cuando se trata de gestionar requisitos de programación complejos. Reseña recopilada por y alojada en G2.com.

Apache Airflow es muy útil para orquestar flujos de trabajo complejos. Me encanta la orquestación de flujos de trabajo basada en DAG, esto me ayudó a descomponer grandes tareas en tareas más pequeñas, lo que facilitó la depuración. Lo mejor que me gusta de Airflow es su mecanismo de reintento. Si quiero ejecutar una tarea específica de un DAG o si un DAG falla en una tarea particular, entonces puedo simplemente reintentar en la tarea específica en lugar de ejecutar todo el DAG desde el principio, lo que realmente ahorró mucho tiempo. Otra cosa excelente de Airflow es su enfoque de DAG dinámico. Cuando hay un requisito para crear múltiples DAGs similares, podemos crear una plantilla específica y usar esa plantilla para todos los DAGs similares, lo cual es realmente una característica increíble, esto me ayudó mucho y redujo la escritura manual. He estado usando Airflow durante 1 año y siento que Airflow es la mejor plataforma para la orquestación de flujos de trabajo. El soporte al cliente es muy receptivo y servicial. Reseña recopilada por y alojada en G2.com.

No hay documentación adecuada para algunos operadores, lo que dificulta a los nuevos usuarios. Reseña recopilada por y alojada en G2.com.

Código abierto, interfaz de usuario para rastrear casi todos los aspectos de cada trabajo, compatible con Python. Reseña recopilada por y alojada en G2.com.

Aunque Apache Airflow es potente, a menudo complica tareas simples con abstracciones añadidas como directivas personalizadas y comunicación entre tareas. La programación de trabajos no es intuitiva, ya que requiere atención a los finales de los intervalos, y la carga de registros puede ser lenta. Aunque las opiniones pueden variar, personalmente encuentro que los cronjobs tradicionales son una solución más simple y efectiva para gestionar un gran número de trabajos. Reseña recopilada por y alojada en G2.com.

Tiene una interfaz de usuario agradable para ver el estado de los DAGs, lo cual se ha convertido en un estándar de la industria. Además, cuando los trabajos fallan, los registros son muy útiles para rastrear qué salió mal. Reseña recopilada por y alojada en G2.com.

Las configuraciones se sienten desactualizadas e innecesariamente complejas. En comparación, herramientas como dbt, y especialmente Databricks, han hecho mejoras significativas recientemente. Reseña recopilada por y alojada en G2.com.