Digdag 开源工作流引擎安装与使用指南
2024-08-10 18:20:12作者:乔或婵
目录结构及介绍
当你通过克隆或下载的方式获取到 Digdag 的最新代码仓库时,其基本目录结构大致如下:
digdag/
├── digdag-core/ # 核心功能代码库
├── digdag-server/ # 提供服务端支持的代码库
├── digdag-ui/ # 用户界面(前端)开发代码库
├── digdag-docs/ # 文档资料存储位置
│ └── src # Sphinx构建网站所需要的文档源码
└── gradle.properties # Gradle 构建系统配置文件
digdag-core/
核心功能代码存放处,包括所有与工作流处理相关的逻辑。
digdag-server/
包含运行服务器所需的所有组件,如 REST API 实现等。
digdag-ui/
负责前端展示层,用于提供图形化界面给用户操作。
digdag-docs/
所有文档和示例都保存于此目录下。
项目启动文件介绍
要启动 Digdag 项目,可以通过多种方式进行:
-
本地编译并运行服务 使用命令行进入对应目录执行相关命令,例如在
digdag-ui/目录中:cd digdag-ui/ npm install # 安装必要的包依赖 npm run dev # 启动一个开发环境下的服务器,在 http://localhost:9000/ 可以访问更新 REST API 文档:
./gradlew swaggerYaml # 将生成最新的 Swagger YAML 文件 -
利用 Docker 镜像部署 对于更自动化和标准化的部署流程,可以借助 Docker 运行容器:
docker run -dp 8080:8080 swaggerapi/swagger-ui # 启动 Swagger UI 在另一个控制台 open http://localhost:8080/ # 访问 Swagger UI 界面
项目配置文件介绍
主要使用的配置文件位于各个子模块内,尤其是~/config/digdag/config目录下的各种配置文件。这里的关键是定义如何与外部服务进行交互以及调整内部行为,比如:
-
HTTP 请求头的跨域策略 (CORS) 可以设置允许跨域请求的来源、方法类型及其他相关参数:
server.http.headers.access-control-allow-origin = http://localhost:9000 server.http.headers.access-control-allow-headers = origin, content-type, accept, authorization, x-td-account-override, x-xsrf-token, cookie server.http.headers.access-control-allow-credentials = true server.http.headers.access-control-allow-methods = GET, POST, PUT, DELETE, OPTIONS, HEAD
此外,对于如何组织和编写工作流,通常会有.dig扩展名的配置文件作为核心组成部分。例如,在创建一个新的工作流目录和初始化该工作流时,将自动生成相应的配置文件:
digdag init my_test_digdag # 创建新工作流及其默认配置文件
digdag run my_test_digdag # 执行该工作流
这些文件会指定任务列表、它们之间的依赖关系以及其他选项,全部采用 YAML 格式书写。 总结来说,从目录结构解析到启动指令解释再到配置细节说明,上述概述涵盖了 Digdag 主要方面的入门知识。希望这份指南能够帮助你在探索和应用此开源项目时更加得心应手。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137