Cómo depurar problemas de DAG de memoria insuficiente y almacenamiento insuficiente

Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1

En este instructivo, se proporcionan pasos para depurar un DAG de Airflow que falló en Cloud Composer y diagnosticar problemas relacionados con los recursos de los trabajadores, como la falta de memoria o espacio de almacenamiento de los trabajadores, con la ayuda de registros y supervisión del entorno.

Introducción

En este instructivo, se enfocan los problemas relacionados con los recursos para demostrar formas de depurar un DAG.

La falta de recursos de trabajadores asignados causa fallas en el DAG. Si una tarea de Airflow se queda sin memoria o almacenamiento, es posible que veas una excepción de Airflow, como las siguientes:

WARNING airflow.exceptions.AirflowException: Task received SIGTERM signal
INFO - Marking task as FAILED.

o

Task exited with return code Negsignal.SIGKILL

En esos casos, la recomendación general es aumentar los recursos del trabajador de Airflow o reducir la cantidad de tareas por trabajador. Sin embargo, como las excepciones de Airflow pueden ser genéricas, puede ser un desafío identificar el recurso en particular que está causando el problema.

En este instructivo, se explica cómo puedes diagnosticar el motivo de una falla de DAG y identificar el tipo de recurso que causa problemas a través de la depuración de dos DAG de ejemplo que fallan debido a la falta de memoria y almacenamiento de los trabajadores.

Objetivos

• Ejecuta DAGs de ejemplo que fallan por los siguientes motivos:

  • Falta de memoria del trabajador
  • Falta de almacenamiento para los trabajadores

• Diagnostica los motivos de la falla

• Aumenta los recursos de trabajadores asignados

• Prueba los DAG con los nuevos límites de recursos

Costos

En este instructivo, se usan los siguientes componentes facturables de Google Cloud:

• Cloud Composer (consulta los costos adicionales)
• Cloud Monitoring

Cuando finalices este instructivo, puedes borrar los recursos creados para evitar que se te siga facturando. Para obtener más información, consulta Cómo realizar una limpieza.

Antes de comenzar

En esta sección, se describen las acciones que debes realizar antes de comenzar el instructivo.

Crea y configura un proyecto

Para este instructivo, necesitas un Google Cloud proyecto. Configura el proyecto de la siguiente manera:

1. En la consola de Google Cloud, selecciona o crea un proyecto:

   Ir al Selector de proyectos

2. Asegúrate de tener habilitada la facturación para tu proyecto. Obtén información para verificar si la facturación está habilitada en un proyecto.

3. Asegúrate de que el Google Cloud usuario de tu proyecto tenga los siguientes roles para crear los recursos necesarios:

   • Administrador de objetos de almacenamiento y entorno (roles/composer.environmentAndStorageObjectAdmin)
   • Administrador de Compute (roles/compute.admin)
   • Editor de Monitoring (roles/monitoring.editor)

Habilita las API para tu proyecto.

Enable the Cloud Composer API.

Enable the API

Crea tu entorno de Cloud Composer

Crea un entorno de Cloud Composer 2.

Importante: Asegúrate de usar el parámetro de configuración predeterminado de entorno pequeño para reproducir los errores cuando uses los ejemplos que se proporcionan más adelante en este instructivo. Este es el parámetro de configuración predeterminado cuando se crea un entorno a través de la consola de Google Cloud.

Como parte de la creación del entorno, otorgas el rol Extensión del agente de servicio de la API de Cloud Composer v2 (roles/composer.ServiceAgentV2Ext) a la cuenta del agente de servicio de Composer. Cloud Composer usa esta cuenta para realizar operaciones en tu Google Cloud proyecto.

Verifica los límites de recursos de los trabajadores

Verifica los límites de recursos de los trabajadores de Airflow en tu entorno:

1. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

2. En la lista de entornos, haz clic en el nombre de tu entorno. Se abrirá la página Detalles del entorno.

3. Ve a la pestaña Configuración del entorno.

4. Ve a Recursos > Configuración de cargas de trabajo > Trabajador.

5. Verifica que los valores sean 0.5 CPU virtuales, 1.875 GB de memoria y 1 GB de almacenamiento. Estos son los límites de recursos de los trabajadores de Airflow con los que trabajarás en los próximos pasos de este instructivo.

Ejemplo: Cómo diagnosticar problemas de falta de memoria

Sube el siguiente DAG de muestra al entorno que creaste en los pasos anteriores. En este instructivo, este DAG se llama create_list_with_many_strings.

Este DAG contiene una tarea que ejecuta los siguientes pasos:

1. Crea una lista vacía s.
2. Ejecuta un ciclo para agregar la cadena More a la lista.
3. Imprime la cantidad de memoria que consume la lista y espera 1 segundo en cada iteración de 1 minuto.

Advertencia: Este DAG simula un problema de falta de memoria, lo que puede interrumpir las operaciones en tu entorno.

import time

import airflow
from airflow import DAG
from airflow.operators.python_operator import PythonOperator
import sys
from datetime import timedelta

default_args = {
    'start_date': airflow.utils.dates.days_ago(0),
    'retries': 0,
    'retry_delay': timedelta(minutes=10)
}

dag = DAG(
    'create_list_with_many_strings',
    default_args=default_args,
    schedule_interval=None)


def consume():
    s = []
    for i in range(120):
        for j in range(1000000):
            s.append("More")
        print(f"i={i}; size={sys.getsizeof(s) / (1000**3)}GB")
        time.sleep(1)


t1 = PythonOperator(
    task_id='task0',
    python_callable=consume,
    dag=dag,
    depends_on_past=False,
    retries=0
)

Activa el DAG de ejemplo

Activa el DAG de ejemplo, create_list_with_many_strings:

1. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

2. En la columna Servidor web de Airflow, sigue el vínculo de Airflow para tu entorno.

3. En la interfaz web de Airflow, en la página DAG, en la columna Vínculos de tu DAG, haz clic en el botón Activar DAG.

4. Haz clic en Activar.

5. En la página DAGs, haz clic en la tarea que activaste y revisa los registros de salida para asegurarte de que tu DAG comenzó a ejecutarse.

Mientras se ejecuta la tarea, los registros de salida imprimirán el tamaño de la memoria en GB que usa el DAG.

Después de varios minutos, la tarea fallará porque supera el límite de memoria del trabajador de Airflow de 1.875 GB.

Nota: Si activas el DAG que supera el límite de memoria de forma simultánea con cualquier otro DAG de muestra, verás que, si una de las tareas supera el límite de memoria y falla, también fallarán otras tareas en ejecución, incluso si no consumen memoria.

Diagnostica el DAG que falló

Si estabas ejecutando varias tareas en el momento de la falla, considera ejecutar solo una tarea y diagnosticar la presión de recursos durante ese tiempo para identificar qué tareas causan presión de recursos y qué recursos debes aumentar.

Revisa los registros de tareas de Airflow

Observa que la tarea del DAG create_list_with_many_strings tiene un estado Failed.

Revisa los registros de la tarea. Verás la siguiente entrada de registro:

```none
{local_task_job.py:102} INFO - Task exited with return code
Negsignal.SIGKILL
```

`Netsignal.SIGKILL` might be an indication of your task using more memory
than the Airflow worker is allocated. The system sends
the `Negsignal.SIGKILL` signal to avoid further memory consumption.

Revisa las cargas de trabajo

Revisa las cargas de trabajo para verificar que la carga de tu tarea no haga que el nodo en el que se ejecuta el Pod supere el límite de consumo de memoria:

1. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

2. En la lista de entornos, haz clic en el nombre de tu entorno. Se abrirá la página Detalles del entorno.

3. Ve a la pestaña Configuración del entorno.

4. En Recursos > Clúster de GKE > Cargas de trabajo, haz clic en Ver cargas de trabajo del clúster.

5. Verifica si algunos de los pods de la carga de trabajo tienen estados similares a los siguientes:

   Error with exit code 137 and 1 more issue.
   ContainerStatusUnknown with exit code 137 and 1 more issue
   

   Exit code 137 significa que un contenedor o un Pod intenta usar más memoria que la permitida. El proceso se finaliza para evitar el uso de memoria.

Revisa el estado del entorno y la supervisión del consumo de recursos

Revisa el estado del entorno y la supervisión del consumo de recursos:

1. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

2. En la lista de entornos, haz clic en el nombre de tu entorno. Se abrirá la página Detalles del entorno.

3. Ve a la pestaña Supervisión y selecciona Descripción general.

4. En el panel Descripción general del entorno, busca el gráfico Estado del entorno (DAG de supervisión de Airflow). Contiene un área roja, que corresponde al momento en que los registros comenzaron a imprimir errores.

5. Selecciona Trabajadores y busca el gráfico Uso total de la memoria de trabajadores. Observa que la línea Uso de memoria tiene un aumento repentino en el momento en que se ejecutaba la tarea.

Figura 1. Gráfico del uso total de la memoria de los trabajadores (haz clic para ampliar)

Aunque la línea de uso de memoria en el gráfico no alcanza el límite, cuando diagnostiques los motivos de la falla, debes tener en cuenta solo la memoria asignable, mientras que la línea Límite de memoria en el gráfico representa la memoria total disponible (incluida la capacidad reservada por GKE).

En este ejemplo, el límite de memoria del trabajador se establece en 1.875 GB. GKE reserva el 25% de los primeros 4 GiB de memoria. GKE también reserva un límite de expulsión adicional: 100 MiB de memoria en cada nodo para la expulsión de kubelet.

La memoria asignable se calcula de la siguiente manera:

ALLOCATABLE = CAPACITY - RESERVED - EVICTION-THRESHOLD

Si el límite de memoria es de 1.875 GB, la memoria asignable real es la siguiente:

1.75 GiB (1.875GB) - 0.44 (25% GiB reserved) - 0.1 = 1.21 GiB (~1.3 GB).

Cuando adjuntes este límite real al gráfico de uso de memoria, verás que el aumento repentino del uso de memoria de la tarea alcanza el límite real de memoria y puedes concluir que la tarea falló debido a que no había suficiente memoria para los trabajadores.

Nota: Si el nivel de consumo de memoria crece demasiado rápido, es posible que la línea de uso de memoria no capture el nivel real de consumo de recursos de forma correcta. El DAG de airflow_monitoring es una verificación de estado de actividad por entorno que se usa para propagar la métrica de supervisión de environment/healthy. Este DAG te permite usar funciones de Cloud Monitoring, como gráficos de métricas, o configurar alertas cuando tu entorno deja de estar en buen estado. Se ejecuta cada 5 minutos y recopila las métricas, lo que significa que es posible que no capture el uso de recursos entre las ejecuciones.

Aumenta el límite de memoria del trabajador

Nota: Si cambias la CPU o la memoria del trabajador, se reiniciarán los trabajadores, lo que podría afectar las tareas en ejecución. Te recomendamos que lo hagas cuando no se estén ejecutando DAG.

Asigna memoria adicional para el trabajador para que el DAG de muestra se realice correctamente:

1. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

2. En la lista de entornos, haz clic en el nombre de tu entorno. Se abrirá la página Detalles del entorno.

3. Ve a la pestaña Configuración del entorno.

4. Busca la configuración de Recursos > Cargas de trabajo y haz clic en Editar.

5. En la sección Trabajador, en el campo Memoria, especifica el nuevo límite de memoria para los trabajadores de Airflow. En este instructivo, usa 3 GB.

6. Guarda los cambios y espera unos minutos para que los trabajadores de Airflow se reinicien.

Prueba tu DAG con el nuevo límite de memoria

Vuelve a activar el DAG de create_list_with_many_strings y espera a que termine de ejecutarse.

1. En los registros de salida de la ejecución de tu DAG, verás Marking task as SUCCESS, y el estado de la tarea indicará Success.

2. Revisa la sección Descripción general del entorno en la pestaña Supervisión y asegúrate de que no haya áreas rojas.

3. Haz clic en la sección Trabajadores y busca el gráfico Uso total de la memoria de trabajadores. Verás que la línea Límite de memoria refleja el cambio en el límite de memoria, y la línea Uso de memoria está muy por debajo del límite real de memoria asignable.

Ejemplo: Diagnostica problemas de falta de almacenamiento

En este paso, subirás dos DAG que crean archivos grandes. El primer DAG crea un archivo grande. El segundo DAG crea un archivo grande y imita una operación de larga duración.

El tamaño del archivo en ambos DAG supera el límite de almacenamiento de trabajadores de Airflow predeterminado de 1 GB, pero el segundo DAG tiene una tarea de espera adicional para extender su duración de forma artificial.

En los próximos pasos, investigarás las diferencias en el comportamiento de ambos DAG.

Nota: Los DAG de este instructivo crean archivos locales. En un entorno de producción, evita almacenar cualquier archivo o configuración en el sistema de archivos local, ya que es probable que la siguiente tarea se ejecute en un trabajador de Airflow diferente sin acceso al archivo.

Sube un DAG que cree un archivo grande

Sube el siguiente DAG de muestra al entorno que creaste en los pasos anteriores. En este instructivo, este DAG se llama create_large_txt_file_print_logs.

Este DAG contiene una tarea que ejecuta los siguientes pasos:

1. Escribe un archivo localfile.txt de 1.5 GB en el almacenamiento del trabajador de Airflow.
2. Imprime el tamaño del archivo creado con el módulo os de Python.
3. Imprime la duración de la ejecución de DAG cada 1 minuto.

Advertencia: Esta DAG simula un problema de falta de almacenamiento, lo que puede interrumpir las operaciones en tu entorno.

import airflow
from airflow import DAG
from airflow.operators.python_operator import PythonOperator
import os
from datetime import timedelta
import time

default_args = {
    'start_date': airflow.utils.dates.days_ago(0),
    'retries': 0,
    'retry_delay': timedelta(minutes=10)
}

dag = DAG(
    'create_large_txt_file_print_logs',
    default_args=default_args,
    schedule_interval=None)


def consume():
    size = 1000**2  # bytes in 1 MB
    amount = 100

    def create_file():
        print(f"Start creating a huge file")
        with open("localfile.txt", "ab") as f:
            for j in range(15):
                f.write(os.urandom(amount) * size)
        print("localfile.txt size:", os.stat("localfile.txt").st_size / (1000**3), "GB")

    create_file()
    print("Success!")


t1 = PythonOperator(
    task_id='create_huge_file',
    python_callable=consume,
    dag=dag,
    depends_on_past=False,
    retries=0)

Sube un DAG que cree un archivo grande en una operación de larga duración

Para imitar un DAG de larga duración y analizar el impacto de la duración de la tarea en el estado final, sube el segundo DAG de muestra a tu entorno. En este instructivo, este DAG se llama long_running_create_large_txt_file_print_logs.

Este DAG contiene una tarea que ejecuta los siguientes pasos:

1. Escribe un archivo localfile.txt de 1.5 GB en el almacenamiento del trabajador de Airflow.
2. Imprime el tamaño del archivo creado con el módulo os de Python.
3. Espera 1 hora y 15 minutos para imitar el tiempo necesario para las operaciones con el archivo, por ejemplo, leerlo.
4. Imprime la duración de la ejecución de DAG cada 1 minuto.

Advertencia: Esta DAG simula un problema de falta de almacenamiento, lo que puede interrumpir las operaciones en tu entorno.

import airflow
from airflow import DAG
from airflow.operators.python_operator import PythonOperator
import os
from datetime import timedelta
import time

default_args = {
    'start_date': airflow.utils.dates.days_ago(0),
    'retries': 0,
    'retry_delay': timedelta(minutes=10)
}

dag = DAG(
    'long_running_create_large_txt_file_print_logs',
    default_args=default_args,
    schedule_interval=None)


def consume():
    size = 1000**2  # bytes in 1 MB
    amount = 100

    def create_file():
        print(f"Start creating a huge file")
        with open("localfile.txt", "ab") as f:
            for j in range(15):
                f.write(os.urandom(amount) * size)
        print("localfile.txt size:", os.stat("localfile.txt").st_size / (1000**3), "GB")

    create_file()
    for k in range(75):
        time.sleep(60)
        print(f"{k+1} minute")

    print("Success!")


t1 = PythonOperator(
    task_id='create_huge_file',
    python_callable=consume,
    dag=dag,
    depends_on_past=False,
    retries=0)

Cómo activar DAG de muestra

Activa el primer DAG, create_large_txt_file_print_logs:

1. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

2. En la columna Servidor web de Airflow, sigue el vínculo de Airflow para tu entorno.

3. En la interfaz web de Airflow, en la página DAG, en la columna Vínculos de tu DAG, haz clic en el botón Activar DAG.

4. Haz clic en Activar.

5. En la página DAGs, haz clic en la tarea que activaste y revisa los registros de salida para asegurarte de que tu DAG comenzó a ejecutarse.

6. Espera a que se complete la tarea que creaste con el DAG de create_large_txt_file_print_logs. Esto podría tardar varios minutos.

   Nota: Es posible que notes que el almacenamiento del trabajador de Airflow utilizado se restableció a cero después de que se completó la tarea. Cloud Composer se basa en Autopilot de Google Kubernetes Engine, que proporciona los recursos necesarios. El ajuste de escala automático en Cloud Composer se basa en métricas y controla la asignación de recursos a través de la administración de pods de GKE dentro de una cuota determinada.

7. En la página DAGs, haz clic en la ejecución del DAG. Verás que tu tarea tiene un estado Success, a pesar de que se superó el límite de almacenamiento.

Revisa los registros de Airflow de la tarea:

1. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

   1. En la lista de entornos, haz clic en el nombre de tu entorno. Se abrirá la página Detalles del entorno.

   2. Ve a la pestaña Registros y, luego, a Todos los registros > Registros de Airflow > Trabajadores > Ver en el Explorador de registros.

   3. Filtra los registros por tipo: muestra solo los mensajes de Error.

En los registros, verás mensajes similares a los siguientes:

Worker: warm shutdown (Main Process)

o

A worker pod was evicted at 2023-12-01T12:30:05Z with message: Pod ephemeral
local storage usage exceeds the total limit of containers 1023Mi.

Estos registros indican que el pod inició el proceso de "apagado en caliente" porque el almacenamiento utilizado superó el límite y se eliminó en 1 hora. Sin embargo, la ejecución de DAG no falló porque se completó dentro del período de gracia de finalización de Kubernetes, que se explica más adelante en este instructivo.

Para ilustrar el concepto del período de gracia de rescisión, revisa el resultado del segundo DAG de muestra, long_running_create_large_txt_file_print_logs.

Activa el segundo DAG, long_running_create_large_txt_file_print_logs:

1. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

2. En la columna Servidor web de Airflow, sigue el vínculo de Airflow para tu entorno.

3. En la interfaz web de Airflow, en la página DAG, en la columna Vínculos de tu DAG, haz clic en el botón Activar DAG.

4. Haz clic en Activar.

5. En la página DAGs, haz clic en la tarea que activaste y revisa los registros de salida para asegurarte de que tu DAG comenzó a ejecutarse.

6. Espera hasta que falle la ejecución del DAG de long_running_create_large_txt_file_print_logs. El proceso tardará aproximadamente una hora.

Revisa los resultados de la ejecución del DAG:

1. En la página DAGs, haz clic en la ejecución de DAG long_running_create_large_txt_file_print_logs. Verás que la tarea tiene un estado Failed y que la duración de la ejecución fue exactamente de 1 hora y 5 minutos, que es menos que el período de espera de la tarea de 1 hora y 15 minutos.

2. Revisa los registros de la tarea. Una vez que el DAG creó el archivo localfile.txt en el contenedor del trabajador de Airflow, el registro imprime que el DAG comenzó a esperar, y la duración de la ejecución se imprime en los registros de tareas cada 1 minuto. En este ejemplo, el DAG imprime el registro localfile.txt size: y el tamaño del archivo localfile.txt será de 1.5 GB.

Una vez que el archivo escrito en el contenedor del trabajador de Airflow supera el límite de almacenamiento, se supone que la ejecución del DAG fallará. Sin embargo, la tarea no falla de inmediato y sigue ejecutándose hasta que su duración alcanza 1 hora y 5 minutos. Esto sucede porque Kubernetes no finaliza la tarea de inmediato y sigue ejecutándose para permitir 1 hora de tiempo de recuperación, conocido como “período de gracia de finalización”. Una vez que un nodo se queda sin recursos, Kubernetes no finaliza el Pod de inmediato para controlar la finalización de forma fluida, de modo que el impacto en el usuario final sea mínimo.

El período de gracia de rescisión ayuda a los usuarios a recuperar archivos después de fallas en las tareas. Sin embargo, puede generar confusión cuando se diagnostican DAG. Cuando se supera el límite de almacenamiento del trabajador de Airflow, el estado de la tarea final depende de la duración de la ejecución del DAG:

• Si la ejecución de DAG supera el límite de almacenamiento del trabajador, pero se completa en menos de 1 hora, la tarea se completa con un estado Success porque se completó dentro del período de gracia de la finalización. Sin embargo, Kubernetes finaliza el Pod y el archivo escrito se borra del contenedor de inmediato.

• Si el DAG supera el límite de almacenamiento del trabajador y se ejecuta durante más de 1 hora, el DAG seguirá ejecutándose durante 1 hora y puede superar el límite de almacenamiento en miles de por ciento antes de que Kubernetes elimine el pod y Airflow marque la tarea como Failed.

Nota: Si activas uno de los DAG de muestra que superan el límite de almacenamiento simultáneamente con cualquier otro DAG de muestra, verás que, si una de las tareas supera el límite de almacenamiento y falla, también fallarán las demás tareas en ejecución, incluso si no requieren espacio de almacenamiento.

Diagnostica el DAG que falló

Si estabas ejecutando varias tareas en el momento de la falla, considera ejecutar solo una tarea y diagnosticar la presión de recursos durante ese tiempo para identificar qué tareas causan presión de recursos y qué recursos debes aumentar.

Revisa los registros de tareas del segundo DAG, long_running_create_large_txt_file_print_logs:

1. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

2. En la lista de entornos, haz clic en el nombre de tu entorno. Se abrirá la página Detalles del entorno.

3. Ve a la pestaña Registros y, luego, a Todos los registros > Registros de Airflow > Trabajadores > Ver en el Explorador de registros.

4. Filtra los registros por tipo: muestra solo los mensajes de Error.

En los registros, verás mensajes similares a los siguientes:

Container storage usage of worker reached 155.7% of the limit.

This likely means that the total size of local files generated by your DAGs is
close to the storage limit of worker.

You may need to decrease the storage usage or increase the worker storage limit
in your Cloud Composer environment configuration.

o

Pod storage usage of worker reached 140.2% of the limit.
A worker pod was evicted at 2023-12-01T12:30:05Z with message: Pod ephemeral
local storage usage exceeds the total limit of containers 1023Mi.

This eviction likely means that the total size of dags and plugins folders plus
local files generated by your DAGs exceeds the storage limit of worker.

Please decrease the storage usage or increase the worker storage limit in your
Cloud Composer environment configuration.

Estos mensajes indican que, a medida que avanzaba la tarea, los registros de Airflow comenzaron a imprimir errores cuando el tamaño de los archivos que generaba tu DAG superó el límite de almacenamiento del trabajador y comenzó el período de gracia de rescisión. Durante el período de gracia de rescisión, el consumo de almacenamiento no volvió al límite, lo que provocó la expulsión del pod después de que finalizó el período de gracia de rescisión.

Revisa el estado del entorno y la supervisión del consumo de recursos:

1. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

2. En la lista de entornos, haz clic en el nombre de tu entorno. Se abrirá la página Detalles del entorno.

3. Ve a la pestaña Supervisión y selecciona Descripción general.

4. En el panel Descripción general del entorno, busca el gráfico Estado del entorno (DAG de supervisión de Airflow). Contiene un área roja, que corresponde al momento en que los registros comenzaron a imprimir errores.

5. Selecciona Trabajadores y busca el gráfico Uso total del disco de trabajadores. Observa que la línea Uso de disco tiene un aumento repentino y supera la línea Límite de disco en el momento en que se ejecutaba la tarea.

Figura 2: Gráfico del uso total del disco de los trabajadores (haz clic para ampliar)

Aumenta el límite de almacenamiento de los trabajadores

Nota: Si cambias el almacenamiento de los trabajadores, se reiniciarán los trabajadores de Airflow, lo que podría afectar las tareas en ejecución. Te recomendamos que lo hagas cuando no se estén ejecutando DAG.

Asigna almacenamiento adicional para los trabajadores de Airflow para que el DAG de muestra se complete correctamente:

1. En la consola de Google Cloud, ve a la página Entornos.

   Ir a Entornos

2. En la lista de entornos, haz clic en el nombre de tu entorno. Se abrirá la página Detalles del entorno.

3. Ve a la pestaña Configuración del entorno.

4. Busca la configuración de Recursos > Cargas de trabajo y haz clic en Editar.

5. En la sección Trabajador, en el campo Almacenamiento, especifica el nuevo límite de almacenamiento para los trabajadores de Airflow. En este instructivo, configúralo en 2 GB.

6. Guarda los cambios y espera unos minutos para que los trabajadores de Airflow se reinicien.

Prueba tu DAG con el nuevo límite de almacenamiento

Vuelve a activar el DAG de long_running_create_large_txt_file_print_logs y espera 1 hora y 15 minutos hasta que termine de ejecutarse.

1. En los registros de salida de la ejecución del DAG, verás Marking task as SUCCESS, y el estado de la tarea indicará Success, con una duración de 1 hora y 15 minutos, que es igual al tiempo de espera establecido en el código del DAG.

2. Revisa la sección Descripción general del entorno en la pestaña Supervisión y asegúrate de que no haya áreas rojas.

3. Haz clic en la sección Trabajadores y busca el gráfico Uso total del disco de trabajadores. Verás que la línea Disk limit refleja el cambio en el límite de almacenamiento y que la línea Disk usage está dentro del rango permitido.

Resumen

En este instructivo, diagnosticaste el motivo de una falla de DAG y, a través de la depuración de dos DAG de ejemplo que fallan debido a una falta de memoria y almacenamiento de trabajadores, identificaste el tipo de recurso que causa presión. Luego, ejecutaste los DAG correctamente después de asignar más memoria y almacenamiento a tus trabajadores. Sin embargo, se recomienda optimizar tus DAG (flujos de trabajo) para reducir el consumo de recursos de los trabajadores en primer lugar, ya que no es posible aumentar los recursos más allá de un umbral determinado.

Limpia

Para evitar que se apliquen cargos a tu Google Cloud cuenta por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.

Borra el proyecto

Precaución: Borrar un proyecto tiene las siguientes consecuencias:

• Se borra todo en el proyecto. Si usaste un proyecto existente para las tareas de este documento, cuando lo borres, también se borrará cualquier otro trabajo que hayas realizado en el proyecto.
• Se pierden los ID personalizados de proyectos. Cuando creaste este proyecto, es posible que hayas creado un ID del proyecto personalizado que desees utilizar en el futuro. Para conservar las URL que utilizan el ID del proyecto, como una URL appspot.com, borra los recursos seleccionados dentro del proyecto en lugar de borrar todo el proyecto.

Si planeas explorar varias infraestructuras, instructivos y guías de inicio rápido la reutilización de proyectos puede ayudarte a evitar exceder los límites de las cuotas del proyecto.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

Borra los recursos individuales

Si planeas explorar varios instructivos y guías de inicio rápido, la reutilización de proyectos puede ayudarte a evitar exceder los límites de las cuotas del proyecto.

Borra el entorno de Cloud Composer. También borrarás el bucket del entorno durante este procedimiento.

¿Qué sigue?

• Escalar entornos
• Soluciona problemas de los DAG