Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Cómo cambiar la zona horaria de un DAG en Amazon MWAA
Apache Airflow programa su gráfico acíclico dirigido (DAG) en UTC\$10 de forma predeterminada. En los siguientes pasos, se muestra cómo puede cambiar la zona horaria en la que Amazon MWAA ejecuta sus DAG con [Pendulum](https://pypi.org/project/pendulum/). Opcionalmente, en este tema se muestra cómo puede crear un complemento personalizado para cambiar la zona horaria de los registros de Apache Airflow de su entorno.
**Topics**
+ [Versión](#samples-plugins-timezone-version)
+ [Requisitos previos](#samples-plugins-timezone-prerequisites)
+ [Permisos](#samples-plugins-timezone-permissions)
+ [Creación de un complemento para cambiar la zona horaria en los registros de Airflow](#samples-plugins-timezone-custom-plugin)
+ [Creación de un `plugins.zip`](#samples-plugins-timezone-plugins-zip)
+ [Código de ejemplo](#samples-plugins-timezone-dag)
+ [Siguientes pasos](#samples-plugins-timezone-plugins-next-up)
## Versión
Puede usar el código de ejemplo que aparece en esta página con **Apache Airflow v2** en [Python 3.10](https://peps.python.org/pep-0619/) y **Apache Airflow v3** en [Python 3.11](https://peps.python.org/pep-0664/).
## Requisitos previos
Para usar el código de muestra de esta página, necesitará lo siguiente:
+ Un [entorno de Amazon MWAA](get-started.md).
## Permisos
No se necesitan permisos adicionales para usar el código de ejemplo de esta página.
## Creación de un complemento para cambiar la zona horaria en los registros de Airflow
Apache Airflow ejecutará los archivos de Python en el directorio de `plugins` al inicio. Con el siguiente complemento, puede anular la zona horaria del ejecutor, lo que modifica la zona horaria en la que Apache Airflow escribe los registros.
1. Cree un directorio llamado `plugins` para su complemento personalizado y vaya al directorio. Por ejemplo:
```
$ mkdir plugins
$ cd plugins
```
1. Copie el contenido de la siguiente muestra de código y guárdelo localmente como `dag-timezone-plugin.py` en la carpeta `plugins`.
```
import time
import os
os.environ['TZ'] = 'America/Los_Angeles'
time.tzset()
```
1. En el directorio `plugins`, cree un archivo de Python vacío llamado `__init__.py`. Su directorio `plugins` debería ser similar a lo siguiente:
```
plugins/
|-- __init__.py
|-- dag-timezone-plugin.py
```
## Creación de un `plugins.zip`
En los siguientes pasos, se explica cómo crear `plugins.zip`. El contenido de esta muestra se puede combinar con otros complementos y binarios en un solo archivo `plugins.zip`.
1. En el símbolo del sistema, vaya hasta el directorio `plugins` del paso anterior. Por ejemplo:
```
cd plugins
```
1. Comprima el contenido en su directorio `plugins`.
```
zip -r ../plugins.zip ./
```
1. Carga de `plugins.zip` en el bucket S3
```
aws s3 cp plugins.zip s3://your-mwaa-bucket/
```
## Código de ejemplo
Para cambiar la zona horaria predeterminada (UTC\$10) en la que se ejecuta el DAG, utilizaremos una biblioteca llamada [Pendulum](https://pypi.org/project/pendulum/), una biblioteca de Python para trabajar con una datetime y conocer la zona horaria.
1. En el símbolo del sistema, vaya hasta el directorio en el que están almacenados los DAG. Por ejemplo:
```
cd dags
```
1. Copie el contenido de la siguiente muestra y guárdelo como `tz-aware-dag.py`.
```
from airflow import DAG
from airflow.operators.bash_operator import BashOperator
from datetime import datetime, timedelta
# Import the Pendulum library.
import pendulum
# Instantiate Pendulum and set your timezone.
local_tz = pendulum.timezone("America/Los_Angeles")
with DAG(
dag_id = "tz_test",
schedule_interval="0 12 * * *",
catchup=False,
start_date=datetime(2022, 1, 1, tzinfo=local_tz)
) as dag:
bash_operator_task = BashOperator(
task_id="tz_aware_task",
dag=dag,
bash_command="date"
)
```
1. Ejecute el siguiente comando de la AWS CLI para copiar el DAG en el bucket de su entorno y, a continuación, active el DAG mediante la interfaz de usuario de Apache Airflow.
```
aws s3 cp your-dag.py s3://your-environment-bucket/dags/
```
1. Si se ejecuta correctamente, obtendrá un resultado similar al siguiente en los registros para `tz_aware_task` en el `tz_test` DAG:
```
[2022-08-01, 12:00:00 PDT] {{subprocess.py:74}} INFO - Running command: ['bash', '-c', 'date']
[2022-08-01, 12:00:00 PDT] {{subprocess.py:85}} INFO - Output:
[2022-08-01, 12:00:00 PDT] {{subprocess.py:89}} INFO - Mon Aug 1 12:00:00 PDT 2022
[2022-08-01, 12:00:00 PDT] {{subprocess.py:93}} INFO - Command exited with return code 0
[2022-08-01, 12:00:00 PDT] {{taskinstance.py:1280}} INFO - Marking task as SUCCESS. dag_id=tz_test, task_id=tz_aware_task, execution_date=20220801T190033, start_date=20220801T190035, end_date=20220801T190035
[2022-08-01, 12:00:00 PDT] {{local_task_job.py:154}} INFO - Task exited with return code 0
[2022-08-01, 12:00:00 PDT] {{local_task_job.py:264}} INFO - 0 downstream tasks scheduled from follow-on schedule check
```
## Siguientes pasos
+ Obtenga más información sobre cómo cargar el archivo `plugins.zip` de este ejemplo a su bucket de Amazon S3 en [Instalación de complementos personalizados](configuring-dag-import-plugins.md).