Debug dei problemi DAG relativi a esaurimento o esaurimento dello spazio di archiviazione

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Questo tutorial fornisce i passaggi per eseguire il debug di un DAG Airflow non riuscito in Cloud Composer e diagnosticare i problemi relativi alle risorse dei worker, ad esempio mancanza di memoria o di spazio di archiviazione per i worker, con l'aiuto dei log e dell'ambiente il monitoraggio.

Introduzione

Questo tutorial si concentra sui problemi relativi alle risorse per dimostrare i modi per eseguire il debug di un DAG.

La mancanza di risorse dei worker allocate causa errori nei DAG. Se un'attività Airflow esaurisce la memoria o lo spazio di archiviazione, potresti vedere un'eccezione Airflow, quali:

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

o

Task exited with return code Negsignal.SIGKILL

In questi casi, il consiglio generale è di aumentare le risorse dei worker Airflow o di ridurre il numero di attività per worker. Tuttavia, poiché le eccezioni di Airflow possono essere generiche, potrebbe essere difficile identificare la risorsa specifica che causa il problema.

Questo tutorial spiega come diagnosticare il motivo di un errore del DAG e Identifica il tipo di risorsa che causa problemi eseguendo il debug di due DAG di esempio che non riescono a causa della mancanza di memoria e spazio di archiviazione dei worker.

Obiettivi

• Esegui DAG di esempio che non vanno a buon fine per i seguenti motivi:

  • Mancanza di memoria del worker
  • Mancanza di spazio di archiviazione per il worker

• Diagnostica i motivi dell'errore

• Aumentare le risorse dei lavoratori allocate

• Testa i DAG con nuovi limiti di risorse

Costi

Questo tutorial utilizza i seguenti componenti fatturabili di Google Cloud:

• Cloud Composer (vedi costi aggiuntivi)
• Cloud Monitoring

Al termine di questo tutorial, puoi evitare la fatturazione continua eliminando il le risorse che hai creato. Per maggiori dettagli, consulta la sezione Pulizia.

Prima di iniziare

Questa sezione descrive le azioni necessarie prima di iniziare il tutorial.

Creare e configurare un progetto

Per questo tutorial è necessario un account Google Cloud progetto. Configura il progetto nel seguente modo:

1. Nella console Google Cloud, seleziona o crea un progetto:

   Vai al selettore di progetti

2. Verifica che la fatturazione sia attivata per il tuo progetto. Scopri come verificare se la fatturazione è attivata per un progetto.

3. Assicurati che l'utente del progetto Google Cloud disponga dei seguenti ruoli per creare le risorse necessarie:

   • Amministratore ambienti e oggetti Storage (roles/composer.environmentAndStorageObjectAdmin)
   • Amministratore di Compute (roles/compute.admin)
   • Editor di Monitoring (roles/monitoring.editor)

Abilita le API per il progetto

Enable the Cloud Composer API.

Enable the API

crea il tuo ambiente Cloud Composer

Crea un ambiente Cloud Composer 2.

Importante: assicurati di utilizzare la Preimpostazione di ambiente Piccolo per riproduci gli errori quando utilizzi gli esempi forniti più avanti in questo tutorial. Si tratta del preset predefinito quando crei un ambiente tramite la console Google Cloud.

Durante la creazione dell'ambiente, devi concedere il ruolo Estensione agente di servizio API Cloud Composer v2 (roles/composer.ServiceAgentV2Ext) all'account agente di servizio Composer. Cloud Composer utilizza questo account per eseguire operazioni nel progetto Google Cloud.

Controllare i limiti delle risorse worker

Controlla i limiti delle risorse dei worker Airflow nel tuo ambiente:

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nell'elenco degli ambienti, fai clic sul nome del tuo ambiente. Si apre la pagina Dettagli ambiente.

3. Vai alla scheda Configurazione dell'ambiente.

4. Vai a Risorse > Configurazione carichi di lavoro. > Worker.

5. Verifica che i valori siano 0,5 vCPU, 1,875 GB di memoria e 1 GB di spazio di archiviazione. Questi sono i limiti delle risorse worker di Airflow con cui lavorerai nel prossimo passaggi di questo tutorial.

Esempio: diagnosticare i problemi di esaurimento della memoria

Carica il seguente DAG di esempio nell'ambiente creato nei passaggi precedenti. In questo tutorial, questo DAG è denominato create_list_with_many_strings.

Questo DAG contiene un'attività che esegue i seguenti passaggi:

1. Crea un elenco vuoto s.
2. Esegue un ciclo per accodare la stringa More all'elenco.
3. Stampa la quantità di memoria utilizzata dall'elenco e attende 1 secondo ogni 1 minuti.

Avviso: questo DAG simula un problema di esaurimento della memoria, che può interrompere potenzialmente le operazioni nel tuo ambiente.

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
)

Attiva il DAG di esempio

Attiva il DAG di esempio, create_list_with_many_strings:

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nella colonna Server web Airflow, segui il link Airflow per il tuo completamente gestito di Google Cloud.

3. Nell'interfaccia web di Airflow, nella pagina DAG, nella sezione Link colonna per il DAG, fai clic sul pulsante Ora trigger.

4. Fai clic su Attiva.

5. Nella pagina DAG, fai clic sull'attività attivata ed esamina l'output per assicurarti che il DAG sia stato avviato.

Mentre l'attività è in esecuzione, i log di output stamperanno la dimensione della memoria in GB usato dal DAG.

Dopo diversi minuti, l'attività avrà esito negativo perché supera il worker di Airflow di 1,875 GB.

Nota: se attivi il DAG che supera il limite di memoria contemporaneamente a qualsiasi altro DAG di esempio, noterai che, se una delle attività supera il limite di memoria e non va a buon fine, anche le altre attività in esecuzione non andranno a buon fine, anche se non consumano memoria.

Diagnosi del DAG non riuscito

Se al momento dell'errore erano in esecuzione più attività, ti consigliamo di eseguire solo un'attività e di diagnosticare la pressione sulle risorse durante questo periodo per identificare le attività che causano la pressione sulle risorse e le risorse che devi aumentare.

Esamina i log delle attività Airflow

Nota che l'attività del DAG create_list_with_many_strings ha un stato Failed.

Esamina i log dell'attività. Verrà visualizzata la seguente voce di log:

```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.

Rivedi i carichi di lavoro

Rivedi i carichi di lavoro per verificare che il carico dell'attività non causi il nodo in cui il pod viene eseguito per superare il limite di consumo di memoria:

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nell'elenco degli ambienti, fai clic sul nome dell'ambiente. Si apre la pagina Dettagli ambiente.

3. Vai alla scheda Configurazione dell'ambiente.

4. In Risorse > Cluster GKE > Carichi di lavoro, fai clic su Visualizza carichi di lavoro del cluster.

5. Controlla se alcuni pod dei carichi di lavoro hanno stati simili ai seguenti:

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

   Exit code 137 indica che un container o un pod sta cercando di utilizzare più memoria di quanto consentito. Il processo viene interrotto per impedire l'utilizzo di memoria.

Rivedi il monitoraggio dell'integrità dell'ambiente e del consumo di risorse

Esamina il monitoraggio dell'integrità dell'ambiente e del consumo di risorse:

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nell'elenco degli ambienti, fai clic sul nome dell'ambiente. Viene visualizzata la pagina Dettagli dell'ambiente.

3. Vai alla scheda Monitoraggio e seleziona Panoramica.

4. Nel riquadro Panoramica dell'ambiente, individua la Grafico Environment Health (Airflow Monitoring DAG). Contiene un'area rossa, che corrisponde al momento in cui i log hanno iniziato a stampare errori.

5. Seleziona Worker e trova il grafico Utilizzo totale memoria worker. Nota che la riga Utilizzo della memoria presenta un picco al momento dell'esecuzione della task.

Figura 1. Grafico totale dell'utilizzo della memoria dei worker (fai clic per ingrandire)

Anche se la linea di utilizzo della memoria sul grafico non raggiunge il limite, quando analizzi le cause dell'errore, devi tenere conto solo memoria allocabile, mentre la linea Limite di memoria sul grafico rappresenta la memoria totale disponibile (compresa la capacità prenotata da GKE).

In questo esempio, il limite di memoria del worker è impostato su 1,875 GB. GKE riserva il 25% dei primi 4 GiB di memoria. GKE riserva inoltre un'altra soglia-espulsione: 100 MiB di memoria su ogni nodo per l'espulsione di kubelet.

La memoria allocabile viene calcolata nel seguente modo:

ALLOCATABLE = CAPACITY - RESERVED - EVICTION-THRESHOLD

Se il limite di memoria è 1,875 GB, la memoria allocabile effettiva è:

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

Quando aggiungi questo limite effettivo al grafico della memoria utilizzata, vedrà che il picco di utilizzo della memoria dell'attività raggiunge la memoria effettiva puoi concludere che l'attività non è riuscita a causa di un worker insufficiente la memoria.

Nota: se il livello di consumo di memoria aumenta troppo rapidamente, la riga relativa all'utilizzo della memoria potrebbe non rilevare correttamente il livello di consumo di risorse reale. Il DAG airflow_monitoring è un controllo di integrità di attivazione per ambiente che viene utilizzato per compilare la metrica di monitoraggio environment/healthy. Questo DAG consente di utilizzare le funzionalità di Cloud Monitoring, come i grafici delle metriche, impostare avvisi quando l'ambiente non è integro. Viene eseguito ogni 5 minuti e raccoglie le metriche, il che significa che potrebbe non acquisire l'utilizzo delle risorse tra un'esecuzione e l'altra.

Aumentare il limite di memoria del worker

Nota: la modifica della CPU o della memoria del worker ne comporta il riavvio, il che potrebbe influire sulle attività in esecuzione. Ti consigliamo di farlo quando non sono in esecuzione DAG.

Alloca memoria aggiuntiva per i worker affinché il DAG di esempio vada a buon fine:

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nell'elenco degli ambienti, fai clic sul nome dell'ambiente. Si apre la pagina Dettagli ambiente.

3. Vai alla scheda Configurazione dell'ambiente.

4. Individua la configurazione Risorse > Carichi di lavoro e fai clic su Modifica.

5. Nella sezione Worker, nel campo Memoria, specifica il nuovo limite di memoria per i worker Airflow. In questo tutorial, utilizza 3 GB.

6. Salva le modifiche e attendi diversi minuti per i worker di Airflow riavvia.

Testa il DAG con il nuovo limite di memoria

Attiva di nuovo il DAG create_list_with_many_strings e attendi il completamento dell'esecuzione.

1. Nei log di output dell'esecuzione del DAG, vedrai Marking task as SUCCESS, e lo stato dell'attività indicherà Operazione riuscita.

2. Esamina la sezione Panoramica dell'ambiente nella scheda Monitoring e assicurati che non ci siano aree rosse.

3. Fai clic sulla sezione Worker e trova Utilizzo totale della memoria dei worker grafico. Vedrai che la riga Limite di memoria riflette la modifica del limite di memoria e la riga Utilizzo della memoria è molto al di sotto del limite di memoria allocato effettivo.

Esempio: diagnostica dei problemi di spazio di archiviazione esaurito

In questo passaggio carichi due DAG che creano file di grandi dimensioni. Il primo DAG crea un file di grandi dimensioni. Il secondo DAG crea un file di grandi dimensioni e simula un'operazione di lunga durata.

Le dimensioni del file in entrambi i DAG superano il limite di 1 GB dello spazio di archiviazione dei worker Airflow, ma il secondo DAG ha un'attività di attesa aggiuntiva per estendere artificialmente la sua durata.

Nei passaggi successivi esaminerai le differenze nel comportamento di entrambi i DAG.

Nota: i DAG in questo tutorial creano file locali. In un ambiente di produzione, evita archiviare qualsiasi file o configurazione nel file system locale perché l'attività successiva è probabile che venga eseguito su un worker Airflow diverso senza accesso al file.

Carica un DAG che crea un file di grandi dimensioni

Carica il seguente DAG di esempio nell'ambiente creato nei passaggi precedenti. In questo tutorial, questo DAG è denominato create_large_txt_file_print_logs.

Questo DAG contiene un'attività che esegue i seguenti passaggi:

1. Scrive un file localfile.txt da 1,5 GB nello spazio di archiviazione del worker di Airflow.
2. Stampa la dimensione del file creato utilizzando il modulo os Python.
3. Stampa la durata dell'esecuzione del DAG ogni minuto.

Avviso: questo DAG simula un problema di esaurimento dello spazio di archiviazione, che può interrompere potenzialmente le operazioni nel tuo ambiente.

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)

Carica un DAG che crea un file di grandi dimensioni in un'operazione a lunga esecuzione

Per simulare un DAG di lunga durata e esaminare l'impatto della durata dell'attività sullo stato finale, carica il secondo DAG di esempio nel tuo ambiente. In questo tutorial, questo DAG è denominato long_running_create_large_txt_file_print_logs.

Questo DAG contiene un'attività che esegue i seguenti passaggi:

1. Scrive un file localfile.txt da 1,5 GB nello spazio di archiviazione del worker di Airflow.
2. Stampa le dimensioni del file creato utilizzando il modulo Python os.
3. Attende 1 ora e 15 minuti per simulare il tempo necessario per le operazioni con il file, ad esempio la lettura.
4. Stampa la durata dell'esecuzione del DAG ogni minuto.

Avviso: questo DAG simula un problema di esaurimento dello spazio di archiviazione, che può interrompere potenzialmente le operazioni nel tuo ambiente.

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)

Attiva DAG di esempio

Attiva il primo DAG, create_large_txt_file_print_logs:

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nella colonna Server web Airflow, segui il link Airflow per il tuo completamente gestito di Google Cloud.

3. Nell'interfaccia web di Airflow, nella pagina DAG, nella sezione Link colonna per il DAG, fai clic sul pulsante Ora trigger.

4. Fai clic su Attiva.

5. Nella pagina DAG, fai clic sull'attività che hai attivato ed esamina i log di output per assicurarti che il DAG abbia iniziato a funzionare.

6. Attendi finché l'attività che hai creato con create_large_txt_file_print_logs DAG completati. L'operazione potrebbe richiedere diversi minuti.

   Nota: potresti notare che lo spazio di archiviazione dell'operatore Airflow utilizzato è stato reimpostato su zero al termine dell'attività. Cloud Composer si basa su Autopilot di Google Kubernetes Engine che fornisce le risorse necessarie. La scalabilità automatica in Cloud Composer si basa su metriche e controlla l'allocazione delle risorse tramite la gestione dei pod GKE all'interno di una determinata quota.

7. Nella pagina DAG, fai clic sull'esecuzione del DAG. Vedrai che la tua attività ha lo stato Success, anche se il limite di spazio di archiviazione è stato superato.

Esamina i log delle attività Airflow:

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

   1. Nell'elenco degli ambienti, fai clic sul nome dell'ambiente. Viene visualizzata la pagina Dettagli dell'ambiente.

   2. Vai alla scheda Log, quindi vai a Tutti i log > Log Airflow > Worker > Visualizza in Esplora log.

   3. Filtra i log per tipo: mostra solo i messaggi di errore.

Nei log verranno visualizzati messaggi simili ai seguenti:

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.

Questi log indicano che il pod ha avviato l'"arresto a caldo" perché lo spazio di archiviazione utilizzato ha superato il limite ed è stato rimosso entro un'ora. Tuttavia, il DAG esegue non ha avuto esito negativo perché è stato completato entro il periodo di tolleranza per la terminazione di Kubernetes come spiegato in dettaglio in questo tutorial.

Per illustrare il concetto di periodo di tolleranza per la risoluzione, esamina il risultato del secondo DAG di esempio, long_running_create_large_txt_file_print_logs.

Attiva il secondo DAG, long_running_create_large_txt_file_print_logs:

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nella colonna Server web Airflow, segui il link Airflow per il tuo completamente gestito di Google Cloud.

3. Nell'interfaccia web di Airflow, nella pagina DAG, nella sezione Link colonna per il DAG, fai clic sul pulsante Ora trigger.

4. Fai clic su Attiva.

5. Nella pagina DAG, fai clic sull'attività attivata ed esamina l'output per assicurarti che il DAG sia stato avviato.

6. Attendi che l'esecuzione del DAG long_running_create_large_txt_file_print_logs non vada a buon fine. L'operazione richiederà circa un'ora.

Esamina i risultati dell'esecuzione del DAG:

1. Nella pagina DAG, fai clic sul long_running_create_large_txt_file_print_logs esecuzione di DAG. Vedrai che l'attività ha lo stato Failed e che la durata dell'esecuzione è stata esattamente di 1 ora e 5 minuti, ovvero inferiore al periodo di attesa dell'attività di 1 ora e 15 minuti.

2. Esamina i log dell'attività. Una volta che il DAG ha creato il file localfile.txt nel contenuto del contenitore del worker di Airflow, il log stampa che il DAG ha iniziato a attendere e la durata dell'esecuzione viene stampata nei log delle attività ogni 1 minuto. In questo esempio, il DAG stampa il log localfile.txt size: e le dimensioni del file localfile.txt sarà di 1,5 GB.

Quando il file scritto nel contenitore del worker Airflow supera il limite di spazio di archiviazione, l'esecuzione del DAG dovrebbe non riuscire. Tuttavia, l'attività non fallisce immediatamente e rimane in esecuzione finché la sua durata non raggiunge un'ora e cinque minuti. Questo accade perché Kubernetes non termina immediatamente l'attività e mantiene in esecuzione per consentire un'ora di tempo per il ripristino, noto come "grazia di punto". Quando un nodo esaurisce le risorse, Kubernetes non termina immediatamente il pod per gestire la terminazione in modo corretto, in modo da avere un impatto minimo sull'utente finale.

Il periodo di tolleranza per la chiusura consente agli utenti di recuperare i file in caso di errori delle attività, Tuttavia, può creare confusione durante la diagnosi dei DAG. Quando il worker di Airflow di spazio di archiviazione superato, lo stato finale dell'attività dipende dalla durata Esecuzione del DAG:

• Se l'esecuzione del DAG supera il limite di spazio di archiviazione del worker, ma viene completata in meno di 1 ora, l'attività viene completata con lo stato Success perché è stata completata entro il periodo di tolleranza per la risoluzione. Tuttavia, Kubernetes termina il pod e il file scritto viene immediatamente eliminato dal container.

• Se il DAG supera il limite di spazio di archiviazione del worker e viene eseguito per più di 1 ora, Il DAG rimane in esecuzione per un'ora e può superare il limite di spazio di archiviazione migliaia di percento prima che Kubernetes elimini i contrassegni Pod e Airflow l'attività come Failed.

Nota: se attivi uno dei DAG di esempio che superano il limite di spazio di archiviazione contemporaneamente a un altro DAG di esempio, noterai che, se una delle attività supera il limite di spazio di archiviazione e non riesce, anche le altre attività in esecuzione non riusciranno, anche se non richiedono spazio di archiviazione.

Diagnosi del DAG non riuscito

Se al momento dell'errore erano in esecuzione più attività, ti consigliamo di eseguire solo un'attività e di diagnosticare la pressione sulle risorse durante questo periodo per identificare le attività che causano la pressione sulle risorse e le risorse che devi aumentare.

Esamina i log delle attività del secondo DAG, long_running_create_large_txt_file_print_logs:

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nell'elenco degli ambienti, fai clic sul nome dell'ambiente. Viene visualizzata la pagina Dettagli dell'ambiente.

3. Vai alla scheda Log, quindi vai a Tutti i log > Log Airflow > Worker > Visualizza in Esplora log.

4. Filtra i log per tipo: mostra solo i messaggi di errore.

Nei log verranno visualizzati messaggi simili ai seguenti:

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.

Questi messaggi indicano che, con l'avanzamento dell'attività, i log di Airflow hanno iniziato a stampare errori quando le dimensioni dei file generati dal DAG hanno superato il limite di spazio di archiviazione del worker ed è iniziato il periodo di tolleranza per la chiusura. Durante il periodo di tolleranza per la risoluzione del contratto, il consumo di spazio di archiviazione non è tornato al limite, il che ha comportato l'espulsione del pod al termine del periodo di tolleranza per la risoluzione del contratto.

Esamina il monitoraggio dell'integrità dell'ambiente e del consumo di risorse:

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nell'elenco degli ambienti, fai clic sul nome dell'ambiente. Si apre la pagina Dettagli ambiente.

3. Vai alla scheda Monitoraggio e seleziona Panoramica.

4. Nel riquadro Panoramica dell'ambiente, individua la Grafico Environment Health (Airflow Monitoring DAG). Contiene un'immagine corrispondente al momento in cui i log hanno iniziato a stampare gli errori.

5. Seleziona Worker e trova il grafico Utilizzo totale del disco dei worker. Osservazione che la riga Utilizzo del disco abbia un picco e superi il limite del disco nel momento in cui l'attività era in esecuzione.

Figura 2. Grafico di utilizzo totale del disco worker (fai clic per ingrandire)

Aumentare il limite di spazio di archiviazione dell'operatore

Nota: la modifica dello spazio di archiviazione del worker riavvia i worker di Airflow, che potrebbero influire e l'esecuzione di attività. Consigliamo di farlo quando non sono in esecuzione DAG.

Alloca ulteriore spazio di archiviazione worker Airflow in modo che il DAG di esempio operazione riuscita:

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nell'elenco degli ambienti, fai clic sul nome dell'ambiente. Si apre la pagina Dettagli ambiente.

3. Vai alla scheda Configurazione dell'ambiente.

4. Trova la configurazione Risorse > Carichi di lavoro e fai clic su Modifica.

5. Nella sezione Worker, nel campo Archiviazione, specifica il nuovo limite di archiviazione per i worker Airflow. In questo tutorial, impostalo su 2 GB.

6. Salva le modifiche e attendi alcuni minuti per il riavvio dei worker Airflow.

Testa il DAG con il nuovo limite di archiviazione

Attiva di nuovo il DAG long_running_create_large_txt_file_print_logs e attendi 1 ora e 15 minuti fino al termine dell'esecuzione.

1. Nei log di output dell'esecuzione del DAG, vedrai Marking task as SUCCESS e lo stato dell'attività indicherà Successo, con una durata di 1 ora e 15 minuti, pari al tempo di attesa impostato nel codice DAG.

2. Esamina la sezione Panoramica dell'ambiente nella scheda Monitoraggio e assicurati che non siano presenti aree rosse.

3. Fai clic sulla sezione Worker e trova il grafico Utilizzo totale disco worker. Vedrai che la riga Limite disco riflette la modifica del limite di spazio di archiviazione e la riga Utilizzo disco rientra nell'intervallo consentito.

Riepilogo

In questo tutorial hai diagnosticato il motivo di un errore del DAG e identificato il tipo di risorsa che causa la pressione eseguendo il debug di due DAG di esempio che non vanno a buon fine a causa della mancanza di memoria e spazio di archiviazione dei worker. Quindi hai eseguito correttamente i DAG dopo aver assegnato più memoria e spazio di archiviazione ai tuoi worker. Tuttavia, consigliato per ottimizzare i DAG (flussi di lavoro) ridurre il consumo di risorse dei worker, dato che aumentare le risorse oltre una certa soglia.

Esegui la pulizia

Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

Elimina il progetto

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente attività in questo documento, quando lo elimini, elimini anche qualsiasi altro lavoro nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare per il futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un appspot.com URL, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, il riuso dei progetti può aiutarti a non superare i limiti di quota.

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.

Elimina singole risorse

Se prevedi di esplorare più tutorial e guide rapide, puoi riutilizzare i progetti può aiutarti a evitare di superare i limiti di quota.

Eliminare l'ambiente Cloud Composer. Inoltre elimina il bucket dell'ambiente durante questa procedura.

Passaggi successivi

• Scala gli ambienti
• Risoluzione dei problemi dei DAG