Files
egutierrez 5f3bc84696 feat: add marquez-cli tool for OpenLineage/Marquez management
Añadido binario CLI en Go para gestionar datasets, jobs y runs en Marquez.

Características:
- Enviar eventos OpenLineage (START, RUNNING, COMPLETE, FAIL)
- Registrar y consultar datasets
- Registrar y consultar jobs y runs
- Consultar lineage de datasets con formato texto/JSON
- Listar recursos (namespaces, jobs, datasets)
- Sin dependencias externas (solo Go stdlib)
- Binario estático compilado de ~5MB

Archivos:
- tools/marquez-cli/main.go: CLI principal con comandos
- tools/marquez-cli/openlineage.go: Cliente HTTP y estructuras OpenLineage
- tools/marquez-cli/go.mod: Módulo de Go
- tools/marquez-cli/Makefile: Build automation
- tools/marquez-cli/README.md: Documentación completa
- tools/marquez-cli/QUICKSTART.md: Guía rápida de uso

Instalación: make install en ~/.local/bin/marquez-cli
2026-03-23 23:40:55 +01:00

646 lines
14 KiB
Markdown

# marquez-cli
**OpenLineage/Marquez CLI tool** para gestionar datasets, jobs y runs con lineage tracking completo.
Binario escrito en Go sin dependencias externas, listo para usar en pipelines de Dagu y scripts bash.
---
## 🎯 Características
-**Registrar datasets** en Marquez
-**Registrar jobs** y sus runs
-**Enviar eventos OpenLineage** (START, RUNNING, COMPLETE, FAIL)
-**Consultar lineage** de datasets
-**Listar** namespaces, jobs, datasets y runs
-**Sin dependencias** externas (solo Go stdlib)
-**Binario estático** compilado (~5MB)
---
## 📦 Instalación
### Desde el Código Fuente
```bash
cd ~/AutomaticProyects/automatic_process/tools/marquez-cli
# Compilar
make build
# Instalar en ~/.local/bin
make install
# Verificar instalación
marquez-cli version
```
### Variables de Entorno (Opcional)
```bash
export MARQUEZ_URL="http://localhost:5000"
export MARQUEZ_NAMESPACE="automatic-process"
```
---
## 🚀 Uso
### 1. Gestión de Runs
#### Iniciar un Run
```bash
# Sintaxis básica
marquez-cli run start -job my_pipeline
# Con inputs y outputs
marquez-cli run start \
-job fetch_api_data \
-inputs "api://jsonplaceholder.typicode.com/users" \
-outputs "file:///tmp/users.json"
# Con run-id específico (para continuar después)
marquez-cli run start \
-job my_pipeline \
-run-id "abc123-uuid-here" \
-inputs "file:///tmp/raw.json"
```
**Salida:**
```
✓ Run event sent successfully
Event Type: START
Job: automatic-process/fetch_api_data
Run ID: 3c7a4f21-1234-5678-90ab-cdef12345678
Inputs: 1 dataset(s)
Outputs: 1 dataset(s)
```
#### Marcar Run como RUNNING (Progreso)
```bash
marquez-cli run running \
-job my_pipeline \
-run-id "abc123-uuid-here" \
-inputs "file:///tmp/raw.json" \
-outputs "file:///tmp/processed.json"
```
#### Completar un Run Exitosamente
```bash
marquez-cli run complete \
-job my_pipeline \
-run-id "abc123-uuid-here" \
-inputs "file:///tmp/raw.json" \
-outputs "postgres://localhost:5434/postgres/public/events"
```
#### Marcar Run como Fallido
```bash
marquez-cli run fail \
-job my_pipeline \
-run-id "abc123-uuid-here"
```
---
### 2. Gestión de Datasets
#### Registrar un Dataset
```bash
# PostgreSQL table
marquez-cli dataset register \
-name "postgres://localhost:5434/postgres/public/events"
# ClickHouse table
marquez-cli dataset register \
-name "clickhouse://localhost:8123/default/analytics"
# NATS stream
marquez-cli dataset register \
-name "nats://localhost:4222/data.raw"
# Archivo
marquez-cli dataset register \
-name "file:///tmp/data.json"
# API endpoint
marquez-cli dataset register \
-name "api://example.com/users"
```
#### Listar Datasets
```bash
# En el namespace por defecto (automatic-process)
marquez-cli dataset get
# En un namespace específico
marquez-cli dataset get -namespace my-namespace
```
**Salida:**
```
Datasets in namespace 'automatic-process':
• postgres://localhost:5434/postgres/public/events [DB_TABLE]
• file:///tmp/users.json [FILE]
• api://example.com/users [API]
```
---
### 3. Gestión de Jobs
#### Registrar un Job
```bash
marquez-cli job register -name my_pipeline
```
#### Listar Jobs
```bash
# En el namespace por defecto
marquez-cli job get
# En un namespace específico
marquez-cli job get -namespace my-namespace
```
#### Ver Runs de un Job
```bash
marquez-cli job runs -name my_pipeline
```
**Salida:**
```
Runs for job 'automatic-process/my_pipeline':
• 3c7a4f21-1234-5678-90ab-cdef12345678 [COMPLETED] - 2026-03-23T10:30:00.000Z
• 7b8c9d0e-5678-1234-90ab-cdef12345678 [FAILED] - 2026-03-23T09:15:00.000Z
• 1a2b3c4d-9012-3456-78ab-cdef12345678 [RUNNING] - 2026-03-23T11:00:00.000Z
```
---
### 4. Consultar Lineage
#### Obtener Lineage de un Dataset
```bash
# Formato texto (legible)
marquez-cli lineage \
-name "postgres://localhost:5434/postgres/public/events"
# Formato JSON (para scripts)
marquez-cli lineage \
-name "postgres://localhost:5434/postgres/public/events" \
-format json
# Con profundidad personalizada
marquez-cli lineage \
-name "postgres://localhost:5434/postgres/public/events" \
-depth 20
```
**Salida (formato texto):**
```
Lineage for dataset 'automatic-process/postgres://localhost:5434/postgres/public/events':
📦 Datasets (4):
• api://jsonplaceholder.typicode.com/users
• file:///tmp/users.json
• file:///tmp/emails.json
• postgres://localhost:5434/postgres/public/user_emails
⚙️ Jobs (3):
• fetch_api
← Inputs:
- api://jsonplaceholder.typicode.com/users
→ Outputs:
- file:///tmp/users.json
• transform
← Inputs:
- file:///tmp/users.json
→ Outputs:
- file:///tmp/emails.json
• ingest_postgres
← Inputs:
- file:///tmp/emails.json
→ Outputs:
- postgres://localhost:5434/postgres/public/user_emails
```
---
### 5. Listar Recursos
#### Listar Namespaces
```bash
marquez-cli list namespaces
```
#### Listar Jobs
```bash
marquez-cli list jobs
marquez-cli list jobs -namespace my-namespace
```
#### Listar Datasets
```bash
marquez-cli list datasets
marquez-cli list datasets -namespace my-namespace
```
---
## 🔧 Integración con Dagu
### Ejemplo: DAG con Lineage Tracking
```yaml
# ~/dagu/dags/example_with_lineage.yaml
name: example_with_lineage
description: Pipeline con lineage tracking usando marquez-cli
schedule:
- "0 */6 * * *"
env:
- RUN_ID: "" # Se genera dinámicamente
steps:
# PASO 1: Generar Run ID único
- name: generate_run_id
command: echo "RUN_ID=$(uuidgen)" >> $DAGU_ENV
output: RUN_ID
# PASO 2: START event
- name: start_run
command: |
marquez-cli run start \
-job example_with_lineage \
-run-id $RUN_ID \
-inputs "api://jsonplaceholder.typicode.com/users"
depends: [generate_run_id]
# PASO 3: Fetch data
- name: fetch_data
command: |
curl -s https://jsonplaceholder.typicode.com/users > /tmp/users.json
marquez-cli run running \
-job example_with_lineage \
-run-id $RUN_ID \
-inputs "api://jsonplaceholder.typicode.com/users" \
-outputs "file:///tmp/users.json"
depends: [start_run]
# PASO 4: Transform data
- name: transform_data
command: |
jq '[.[] | {email: .email, name: .name}]' /tmp/users.json > /tmp/emails.json
marquez-cli run running \
-job example_with_lineage \
-run-id $RUN_ID \
-inputs "file:///tmp/users.json" \
-outputs "file:///tmp/emails.json"
depends: [fetch_data]
# PASO 5: Load to PostgreSQL
- name: load_postgres
command: |
psql -h localhost -p 5434 -U postgres -d postgres -c \
"CREATE TABLE IF NOT EXISTS user_emails (email TEXT, name TEXT);"
cat /tmp/emails.json | jq -r '.[] | [.email, .name] | @csv' | \
psql -h localhost -p 5434 -U postgres -d postgres -c \
"COPY user_emails FROM STDIN WITH CSV;"
marquez-cli run running \
-job example_with_lineage \
-run-id $RUN_ID \
-inputs "file:///tmp/emails.json" \
-outputs "postgres://localhost:5434/postgres/public/user_emails"
depends: [transform_data]
# PASO 6: COMPLETE event
- name: complete_run
command: |
marquez-cli run complete \
-job example_with_lineage \
-run-id $RUN_ID \
-inputs "api://jsonplaceholder.typicode.com/users" \
-outputs "postgres://localhost:5434/postgres/public/user_emails"
depends: [load_postgres]
handlers:
failure:
- name: fail_run
command: |
marquez-cli run fail \
-job example_with_lineage \
-run-id $RUN_ID
```
---
## 🔁 Workflow Típico
### 1. Pipeline Simple (START → COMPLETE)
```bash
#!/bin/bash
# Script: ~/dagu/scripts/simple_pipeline.sh
NAMESPACE="automatic-process"
JOB_NAME="simple_pipeline"
RUN_ID=$(marquez-cli run start -job $JOB_NAME -inputs "api://source" | grep "Run ID" | awk '{print $NF}')
echo "Started run: $RUN_ID"
# Hacer el trabajo
curl -s https://api.example.com/data > /tmp/data.json
# Completar
marquez-cli run complete \
-job $JOB_NAME \
-run-id $RUN_ID \
-inputs "api://source" \
-outputs "file:///tmp/data.json"
echo "Run completed: $RUN_ID"
```
### 2. Pipeline con Manejo de Errores
```bash
#!/bin/bash
# Script: ~/dagu/scripts/pipeline_with_error_handling.sh
set -euo pipefail
JOB_NAME="pipeline_with_errors"
RUN_ID=$(uuidgen)
# Función de cleanup en caso de error
cleanup() {
marquez-cli run fail -job $JOB_NAME -run-id $RUN_ID
echo "Pipeline failed, run marked as FAILED"
}
trap cleanup ERR
# START
marquez-cli run start -job $JOB_NAME -run-id $RUN_ID
# Trabajo
echo "Processing..."
# ... tu lógica aquí ...
# COMPLETE (solo si todo fue exitoso)
marquez-cli run complete \
-job $JOB_NAME \
-run-id $RUN_ID \
-outputs "postgres://table"
echo "Pipeline completed successfully"
```
### 3. Pipeline Multi-Paso
```bash
#!/bin/bash
JOB_NAME="multi_step_pipeline"
RUN_ID=$(uuidgen)
# START
marquez-cli run start -job $JOB_NAME -run-id $RUN_ID
# PASO 1: Extract
echo "Extracting..."
curl -s https://api.example.com/data > /tmp/raw.json
marquez-cli run running \
-job $JOB_NAME \
-run-id $RUN_ID \
-inputs "api://example.com/data" \
-outputs "file:///tmp/raw.json"
# PASO 2: Transform
echo "Transforming..."
jq '.data' /tmp/raw.json > /tmp/clean.json
marquez-cli run running \
-job $JOB_NAME \
-run-id $RUN_ID \
-inputs "file:///tmp/raw.json" \
-outputs "file:///tmp/clean.json"
# PASO 3: Load
echo "Loading..."
psql -h localhost -p 5434 -U postgres -d postgres \
-c "COPY events FROM '/tmp/clean.json';"
marquez-cli run complete \
-job $JOB_NAME \
-run-id $RUN_ID \
-inputs "file:///tmp/clean.json" \
-outputs "postgres://localhost:5434/postgres/public/events"
echo "Pipeline completed"
```
---
## 📋 Convenciones de Naming
### Dataset URIs
Usa siempre URIs descriptivos:
| Tipo | Formato | Ejemplo |
|------|---------|---------|
| PostgreSQL | `postgres://host:port/db/schema/table` | `postgres://localhost:5434/postgres/public/events` |
| ClickHouse | `clickhouse://host:port/database/table` | `clickhouse://localhost:8123/default/analytics` |
| NATS | `nats://host:port/subject` | `nats://localhost:4222/data.raw` |
| Archivo | `file:///absolute/path` | `file:///tmp/data.json` |
| API | `api://domain/endpoint` | `api://example.com/users` |
| S3 | `s3://bucket/key` | `s3://my-bucket/data/file.parquet` |
### Namespaces
- Usa el namespace `automatic-process` para todos tus pipelines
- Puedes crear namespaces adicionales para proyectos específicos
### Job Names
- Usa nombres descriptivos: `fetch_api_data`, `transform_sales`, `load_warehouse`
- Evita guiones (`-`), usa guiones bajos (`_`)
- Mantén consistencia con los nombres de DAGs en Dagu
---
## 🔍 Verificar Lineage
Después de ejecutar tu pipeline, verifica el lineage:
```bash
# 1. Ver jobs ejecutados
marquez-cli list jobs
# 2. Ver runs de tu job
marquez-cli job runs -name my_pipeline
# 3. Ver datasets creados
marquez-cli list datasets
# 4. Ver lineage completo de un dataset
marquez-cli lineage -name "postgres://localhost:5434/postgres/public/events"
```
También puedes usar la **Web UI de Marquez**: http://localhost:3001
---
## 🛠️ Desarrollo
### Compilar desde el Código Fuente
```bash
# Clonar el proyecto
cd ~/AutomaticProyects/automatic_process/tools/marquez-cli
# Compilar
make build
# Ejecutar sin instalar
./marquez-cli help
# Instalar
make install
# Limpiar binarios
make clean
# Desinstalar
make uninstall
```
### Estructura del Proyecto
```
marquez-cli/
├── main.go # CLI principal con comandos
├── openlineage.go # Cliente HTTP y estructuras OpenLineage
├── go.mod # Módulo de Go
├── Makefile # Build automation
└── README.md # Documentación
```
---
## 📊 API de Marquez Utilizada
El CLI interactúa con estos endpoints de Marquez:
| Endpoint | Método | Uso |
|----------|--------|-----|
| `/api/v1/lineage` | POST | Enviar eventos OpenLineage |
| `/api/v1/lineage` | GET | Obtener lineage de dataset |
| `/api/v1/namespaces` | GET | Listar namespaces |
| `/api/v1/namespaces/{ns}/jobs` | GET | Listar jobs |
| `/api/v1/namespaces/{ns}/datasets` | GET | Listar datasets |
| `/api/v1/namespaces/{ns}/jobs/{job}/runs` | GET | Listar runs de job |
Documentación completa: https://marquezproject.github.io/marquez/openapi.html
---
## 🎯 Checklist de Lineage
Usa esta checklist en cada pipeline:
- [ ] **START event** al inicio del pipeline
- [ ] **RUNNING events** en cada transformación intermedia
- [ ] **COMPLETE event** al finalizar exitosamente
- [ ] **FAIL event** si hay errores (handler)
- [ ] Declarar **TODOS** los inputs (APIs, archivos, tablas)
- [ ] Declarar **TODOS** los outputs (archivos, streams, tablas)
- [ ] Usar **URIs bien formados** para datasets
- [ ] Usar **mismo namespace** (`automatic-process`)
- [ ] Usar **mismo run-id** en todos los eventos del mismo run
- [ ] Verificar lineage en Marquez Web UI
---
## 🐛 Troubleshooting
### Error: "connection refused"
```bash
# Verificar que Marquez esté corriendo
docker ps | grep marquez
# Iniciar Marquez si no está corriendo
docker-compose -f docker-compose-marquez.yml up -d
# Probar conexión
curl http://localhost:5000/api/v1/namespaces
```
### Error: "API error (status 400)"
Revisa que:
- El namespace existe
- Los URIs de datasets estén bien formados
- El run-id sea un UUID válido
### Run-id no es consistente entre pasos
Usa una variable de entorno o archivo temporal:
```bash
# Opción 1: Variable de entorno
export RUN_ID=$(uuidgen)
marquez-cli run start -job my_job -run-id $RUN_ID
marquez-cli run complete -job my_job -run-id $RUN_ID
# Opción 2: Archivo temporal
uuidgen > /tmp/run_id.txt
RUN_ID=$(cat /tmp/run_id.txt)
marquez-cli run start -job my_job -run-id $RUN_ID
```
---
## 📚 Recursos
- **OpenLineage Spec**: https://openlineage.io/
- **Marquez Docs**: https://marquezproject.ai/
- **Marquez Web UI**: http://localhost:3001
- **Marquez API**: http://localhost:5000/api/v1
- **Dagu Docs**: https://dagu.sh/
---
## 📝 Licencia
MIT License - Proyecto Automatic Process
---
**Última actualización**: 2026-03-23
**Versión**: 1.0.0
**Autor**: Lucas (@egutierrez)