[{"data":1,"prerenderedAt":108},["ShallowReactive",2],{"seo-verification":3,"marketplace-app-fr-airflow":6},{"google":4,"bing":5},"EycwPY2XMyTkVzas3n1ygeNJFGAH513qrMjfDljzsMQ","",{"key":7,"data":8},"marketplace-app-fr-airflow",{"slug":9,"slugs":10,"categorySlugs":11,"name":16,"description":17,"phase":18,"unavailableReason":19,"docsUrl":20,"logo":21,"github":22,"tagline":23,"longDescription":24,"features":25,"useCases":32,"steps":42,"faq":58,"specs":74,"compatibleOs":83,"relatedApps":84,"relatedPosts":103,"category":105},"airflow",{"fr":9,"en":9,"ar":9,"es":9},{"fr":12,"en":13,"ar":14,"es":15},"automatisation","automation-workflows","الأتمتة-وسير-العمل","automatizacion","Apache Airflow","Orchestrateur de workflows de données open source en Python : planifiez et monitoriez vos DAG ETL et pipelines data depuis l'interface web, avec scheduler robuste et plus de 600 providers. LocalExecutor sur votre VPS, sans Celery.",2,"awaiting_qa","https:\u002F\u002Fservorbit.com\u002Fblog\u002Finstaller-apache-airflow-vps","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F47359","https:\u002F\u002Fgithub.com\u002Fapache\u002Fairflow","Orchestrateur DAG Python self-hosted — ETL, pipelines data et planification avec 600+ providers sur votre VPS.","Apache Airflow est la référence open source pour orchestrer des pipelines de données sous forme de DAG écrits en Python. Chaque DAG est un fichier .py qui définit des tâches, leurs dépendances et leur planification. Le scheduler les détecte automatiquement, exécute les tâches et expose une interface web complète pour surveiller les exécutions, inspecter les logs et gérer les connexions.\n\nDéployé sur un VPS ServOrbit avec LocalExecutor, Airflow démarre trois conteneurs — webserver, scheduler et PostgreSQL — sans Celery ni Redis. Cette pile allégée consomme environ 1 à 2 Go de RAM au repos, largement accessible sur un VPS de milieu de gamme, tout en supportant des centaines de tâches par jour. Vos DAG s'exécutent au plus près de vos bases de données internes et vos API, et toutes les métadonnées de pipeline restent sur votre infrastructure.",[26,27,28,29,30,31],"DAG en Python versionnés dans Git — tâches, dépendances et planifications dans un seul fichier .py","600+ packages providers — SQL, cloud (AWS, GCP, Azure), dbt, Spark, HTTP et plus","Scheduler robuste — cron, dépendances entre tâches, backfill et catchup","Interface web complète — graphe du DAG, logs des tâches, historique des exécutions et gestion des variables","Mode LocalExecutor — 3 conteneurs (webserver + scheduler + PostgreSQL), sans Celery\u002FRedis","Licence Apache-2.0 — 36 k+ étoiles GitHub, communauté active, sans vendor lock-in",[33,36,39],{"title":34,"body":35},"ETL et pipelines de données","Décrivez vos traitements d'ingestion, de transformation et d'export de données sous forme de DAG Python. Airflow gère la planification, les relances, la résolution des dépendances et les alertes en cas d'échec — vous n'écrivez que la logique métier.",{"title":37,"body":38},"Workflows data science planifiés","Exécutez des notebooks Jupyter, des modèles dbt ou des scripts d'entraînement ML selon un calendrier. Les sensors d'Airflow permettent à chaque étape aval d'attendre que les données amont soient prêtes avant de s'exécuter, sans boucle de polling.",{"title":40,"body":41},"Automatisation de processus internes","Automatisez tout processus répétable multi-étapes — génération de rapports, maintenance de base de données, synchronisations d'API — sans payer un scheduler cloud. LocalExecutor gère des centaines de tâches par jour sur un VPS standard.",[43,46,49,52,55],{"title":44,"body":45},"Commander un VPS ServOrbit","Minimum 2 vCPU et 4 Go de RAM pour LocalExecutor avec une charge de tâches modérée. Ubuntu 24.04 avec Docker est le système d'exploitation recommandé. Prévoyez au moins 20 Go de disque pour les logs et la base de données Airflow.",{"title":47,"body":48},"Déployer depuis le Marketplace","Marketplace → Automatisation & Workflows → Apache Airflow → Déployer. Trois conteneurs démarrent : PostgreSQL (base de données), airflow-init (effectue les migrations et crée le compte admin, puis se termine), puis webserver et scheduler. Le webserver écoute sur le port 8080, lié à 127.0.0.1.",{"title":50,"body":51},"Se connecter pour la première fois","Les identifiants sont affichés dans votre espace client ServOrbit après le déploiement. Ouvrez un tunnel SSH : `ssh -L 8080:127.0.0.1:\u003Cport> root@\u003Cip-vps>`, puis accédez à `http:\u002F\u002Flocalhost:8080` dans votre navigateur. Pour une URL publique, attachez un domaine dans votre espace client — nginx proxifiera vers Airflow et provisionnera un certificat TLS automatiquement.",{"title":53,"body":54},"Créer votre premier DAG","Les fichiers DAG se trouvent dans le volume `dags` monté sur `\u002Fopt\u002Fairflow\u002Fdags`. Créez un fichier .py dans ce répertoire : le scheduler le détecte en quelques secondes et l'affiche dans l'interface web. Activez-le avec l'interrupteur et déclenchez une exécution manuelle pour vérifier qu'il fonctionne.",{"title":56,"body":57},"Surveiller et maintenir","L'interface web affiche l'historique des exécutions de chaque DAG, les durées des tâches, les logs et les causes d'échec. Configurez des alertes e-mail avec `AIRFLOW__EMAIL__EMAIL_CONN_ID` et une connexion SMTP configurée, ou utilisez le provider Slack pour notifier votre équipe.",[59,62,65,68,71],{"q":60,"a":61},"Airflow nécessite-t-il un GPU ?","Non. Airflow est un orchestrateur de workflows, pas un moteur de calcul. Il planifie et monitore des tâches Python sur CPU — les tâches elles-mêmes peuvent appeler des API GPU ou des clusters Spark, mais Airflow lui-même n'a besoin que de RAM et de CPU standard.",{"q":63,"a":64},"Quelle est la différence entre LocalExecutor et CeleryExecutor ?","LocalExecutor exécute les tâches en parallèle dans des processus sur le même serveur que le scheduler — idéal pour des centaines de tâches par jour sur un seul VPS, sans Redis. CeleryExecutor distribue les tâches sur plusieurs workers distants — nécessaire pour des milliers de tâches concurrentes ou plusieurs serveurs. Pour un usage courant sur un VPS ServOrbit, LocalExecutor est la recommandation.",{"q":66,"a":67},"De combien de RAM Airflow a-t-il besoin ?","En mode LocalExecutor, comptez 1 à 2 Go de RAM au repos (webserver + scheduler + PostgreSQL). Pour des DAG Python chargeant pandas ou de gros fichiers, prévoyez 4 Go afin d'avoir de la marge pour les processus de tâches. Le mode CeleryExecutor — avec workers et Redis — réclame 4 à 8 Go selon le nombre de workers.",{"q":69,"a":70},"Comment accéder à Airflow sans nom de domaine ?","Ouvrez un tunnel SSH : `ssh -L 8080:127.0.0.1:\u003Cport> root@\u003Cip-vps>` (remplacez `\u003Cport>` par le port affiché dans votre espace client), puis accédez à `http:\u002F\u002Flocalhost:8080`. Pour une URL publique permanente, attachez un domaine dans votre espace client — nginx proxifiera vers Airflow et provisionnera un certificat TLS automatiquement.",{"q":72,"a":73},"Puis-je ajouter des dépendances Python personnalisées à Airflow ?","Oui. Construisez une image Docker dérivée de `apache\u002Fairflow:3.3.0` avec un fichier `requirements.txt` : `FROM apache\u002Fairflow:3.3.0\\nRUN pip install --no-cache-dir pandas scikit-learn`. Utilisez cette image dans votre compose à la place de l'image officielle. C'est la méthode recommandée — installer des paquets au runtime est lent et non reproductible.",{"ram":75,"cpu":76,"disk":77,"stack":78,"port":82},"4 Go","2 vCPU","20 Go",[79,80,81],"Docker","Python 3.12","PostgreSQL 16","8080",[],[85,92,98],{"name":86,"slug":86,"categorySlug":12,"categoryName":87,"categoryColor":88,"logo":89,"tagline":90,"description":91},"n8n","Automatisation & Workflows","text-brand-action bg-brand-action\u002F10","https:\u002F\u002Fcdn.simpleicons.org\u002Fn8n","Automatisez vos processus métier avec 400+ intégrations — 100 % auto-hébergé sur votre VPS.","Automatisez vos workflows entre applications sans code. Plus de 400 intégrations, 100 % auto-hébergé sur votre VPS.",{"name":93,"slug":94,"categorySlug":12,"categoryName":87,"categoryColor":88,"logo":95,"tagline":96,"description":97},"Kestra","kestra",null,"Orchestration déclarative YAML pour pipelines data et ETL — auto-hébergé sur votre VPS, Apache-2.0, 15 k+ étoiles.","Plateforme d'orchestration de workflows déclaratifs en YAML — pipelines data, ETL et automatisation orientée événements self-hosted. Chef d'orchestre de vos traitements internes, déclenchés par horaire, webhook ou API.",{"name":99,"slug":100,"categorySlug":12,"categoryName":87,"categoryColor":88,"logo":95,"tagline":101,"description":102},"Windmill","windmill","Transformez vos scripts Python, TypeScript et Bash en workflows, APIs et interfaces — sans quitter votre éditeur.","Plateforme d'automatisation code-first self-hosted : transformez des scripts Python, TypeScript, Go ou Bash en workflows, APIs internes et interfaces — 17 k ⭐, AGPLv3.",[104],"installer-apache-airflow-vps",{"key":12,"slug":12,"name":87,"objective":106,"icon":107,"color":88},"Automatiser les processus métier.","automation",1790301697043]