Mecanismo de integração de dados declarativo e orientado a código para criar pipelines ELT com taps e targets Singer, com mais de 600 APIs e bancos de dados disponíveis no Hub.
dagster-io/dagster
Uma plataforma de orquestração em Python para definir, executar e monitorar ativos de dados, como tabelas, datasets, modelos de ML e relatórios.
Alternativa open source a:Apache Airflow
- Estrelas
- 16,311
- Forks
- 2,366
- Issues abertas
- 2,604
- Último commit
- há 11 horas
O que é?
O Dagster permite declarar os ativos de dados que você quer criar como funções Python e, em seguida, cuida de executá-los no momento certo e mantê-los atualizados. Os ativos são conectados em um grafo, para que dependências, linhagem e histórico de execução fiquem visíveis na interface web.
O projeto foi pensado para ser usado em todo o ciclo de desenvolvimento, do desenvolvimento local e dos testes unitários aos testes de integração, staging e produção. Ele oferece agendamento, execução multi-tenant, observabilidade e catalogação integradas, além de uma biblioteca cada vez maior de integrações com ferramentas de dados comuns.
É compatível com Python 3.9 a 3.14 e pode ser instalado pelo PyPI com os pacotes dagster e dagster-webserver.
Recursos principais
- 01Defina ativos de dados como funções Python usando um modelo declarativo.
- 02Visualize dependências e linhagem dos ativos em uma interface web.
- 03Agende e execute ativos, mantendo-os atualizados.
- 04Observabilidade, diagnósticos e catalogação de metadados integrados.
- 05Mecanismo de orquestração multi-tenant para implantações em produção.
- 06Biblioteca cada vez maior de integrações com ferramentas de dados populares.
Casos de uso
- Criar pipelines ETL ou ELT que geram tabelas em um data warehouse.
- Orquestrar pipelines de treinamento de machine learning e de modelos.
- Manter relatórios e datasets que precisam permanecer atualizados.
- Testar pipelines de dados localmente e em CI antes de implantá-los em produção.
Início rápido
- 1
Instale o Dagster, o servidor web e a CLI com uv
uv add dagster dagster-webserver dagster-dg-cli - 2
Siga o tutorial prático da documentação para criar seu primeiro pipeline
Tópicos
Perguntas frequentes
- O que é dagster?
- Uma plataforma de orquestração em Python para definir, executar e monitorar ativos de dados, como tabelas, datasets, modelos de ML e relatórios. O Dagster permite declarar os ativos de dados que você quer criar como funções Python e, em seguida, cuida de executá-los no momento certo e mantê-los atualizados. Os ativos são conectados em um grafo, para que dependências, linhagem e histórico de execução fiquem visíveis na interface web.
- dagster é gratuito? Qual é a licença?
- dagster é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- dagster ainda é mantido?
- Manutenção ativa. O último commit de dagster foi em 21 de out. de 2026.
- Para que posso usar dagster?
- Criar pipelines ETL ou ELT que geram tabelas em um data warehouse. Orquestrar pipelines de treinamento de machine learning e de modelos. Manter relatórios e datasets que precisam permanecer atualizados. Testar pipelines de dados localmente e em CI antes de implantá-los em produção.
- Como instalar dagster?
- Instale o Dagster, o servidor web e a CLI com uv: uv add dagster dagster-webserver dagster-dg-cli Siga o tutorial prático da documentação para criar seu primeiro pipeline
- Onde consigo dagster?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/dagster-io/dagster
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Apache Airflow é uma plataforma para criar, agendar e monitorar programaticamente workflows definidos como código Python (Dags).
Framework de orquestração de workflows em Python que transforma scripts em pipelines de dados de produção, com agendamento, novas tentativas, cache e automações baseadas em eventos.
Plataforma open source e orientada a eventos para orquestrar workflows de dados, IA e infraestrutura definidos em YAML.
Framework ETL em Python para processamento de streams, análises em tempo real, pipelines com LLM e RAG, com tecnologia de um mecanismo em Rust.
Plataforma distribuída e low-code de orquestração de dados para criar, agendar e monitorar workflows complexos de pipelines de dados.