Solucionar problemas de DAG

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

En esta página, se proporcionan información y pasos para solucionar problemas comunes en el flujo de trabajo.

Muchos problemas de ejecución de DAG se deben a un rendimiento del entorno no óptimo. Para optimizar tu entorno de Cloud Composer 2, sigue las instrucciones de la guía Cómo optimizar el rendimiento y los costos del entorno.

El programador de Airflow puede causar algunos problemas de ejecución del DAG no funcione de forma óptima ni correcta. Sigue las instrucciones de solución de problemas del programador para resolver estos problemas.

Flujo de trabajo para la solución de problemas

Para comenzar con la solución de problemas, siga estos pasos:

  1. Consulta los registros de Airflow.

    Para aumentar el nivel de registro de Airflow, anula la siguiente opción de configuración de Airflow.

    Airflow 2

    Sección Clave Valor
    logging logging_level El valor predeterminado es INFO. Configúralo en DEBUG para obtener más verbosidad en los mensajes de registro.

    Airflow 1

    Sección Clave Valor
    core logging_level El valor predeterminado es INFO. Configúralo en DEBUG para obtener más verbosidad en los mensajes de registro.

  2. Consulta el panel de supervisión.

  3. Revisa Cloud Monitoring.

  4. En la consola de Google Cloud, comprueba si hay errores en las páginas de los componentes de tu entorno.

  5. En la interfaz web de Airflow, consulta la Vista de gráfico del DAG para de tareas con errores.

    Sección Clave Valor
    webserver dag_orientation LR, TB, RL, oBT

Depura fallas del operador

Para depurar una falla del operador, sigue estos pasos:

  1. Verifica si hay errores específicos de la tarea.
  2. Consulta los registros de Airflow.
  3. Revisa Cloud Monitoring.
  4. Verifica los registros específicos del operador.
  5. Corrige los errores.
  6. Sube el DAG a la carpeta dags/.
  7. En la interfaz web de Airflow, borra los estados anteriores del DAG.
  8. Reanuda o ejecuta el DAG.

Soluciona problemas de ejecución de tareas

Airflow es un sistema distribuido con muchas entidades, como programador, ejecutor, de trabajadores que se comunican entre sí a través de una lista de tareas en cola y Airflow y enviar señales (como SIGTERM). En el siguiente diagrama, se muestra una descripción general de las interconexiones entre los componentes de Airflow.

Interacción entre los componentes de Airflow
Figura 1. Interacción entre componentes de Airflow (haz clic para ampliar)

En un sistema distribuido como Airflow, es posible que haya algunos problemas de conectividad de red, o bien que la infraestructura subyacente experimente problemas intermitentes. Esto puede generar situaciones en las que las tareas pueden fallar y reprogramarse para su ejecución, o bien que las tareas no se completen correctamente (por ejemplo, tareas zombi o tareas que se quedaron atascadas en la ejecución). Airflow tiene mecanismos para abordar estas situaciones y reanudar automáticamente el funcionamiento normal. En las siguientes secciones, se explican los problemas habituales que se producen durante la ejecución de tareas por parte de Airflow: tareas zombi, píldoras venenosas y señales SIGTERM.

Soluciona problemas relacionados con las tareas zombi

Airflow detecta dos tipos de discrepancias entre una tarea y un proceso que la ejecuta:

  • Las tareas zombi son tareas que deberían ejecutarse, pero que en ejecución. Esto puede ocurrir si se finalizó el proceso de la tarea o no responde, si el trabajador de Airflow no informó el estado de la tarea a tiempo porque está sobrecargado o si se cerró la VM en la que se ejecuta la tarea. Airflow encuentra esas tareas periódicamente y falla o vuelve a intentar la tarea. según la configuración de la tarea.

    Descubre tareas zombi

    resource.type="cloud_composer_environment"
resource.labels.environment_name="ENVIRONMENT_NAME"
log_id("airflow-scheduler")
textPayload:"Detected zombie job"

  • Las tareas de zombis son tareas que no deberían ejecutarse. Airflow encuentra tales tareas de forma periódica y las finaliza.

A continuación, se indican los motivos y las soluciones más comunes para las tareas zombie.

El trabajador de Airflow se quedó sin memoria

Cada trabajador de Airflow puede ejecutar hasta [celery]worker_concurrency instancias de tareas. al mismo tiempo. Si el consumo de memoria acumulativo de esas instancias de tareas supera el límite de memoria de un trabajador de Airflow, se finalizará un proceso aleatorio para liberar recursos.

Descubre eventos de memoria insuficiente del trabajador de Airflow

resource.type="k8s_node"
resource.labels.cluster_name="GKE_CLUSTER_NAME"
log_id("events")
jsonPayload.message:"Killed process"
jsonPayload.message:("airflow task" OR "celeryd")

Soluciones:

Se expulsó el trabajador de Airflow

Las expulsiones de Pods son una parte normal de la ejecución de cargas de trabajo en Kubernetes. GKE expulsa pods si se quedaron sin almacenamiento o para liberar recursos para cargas de trabajo con una prioridad más alta.

Descubre las expulsiones de trabajadores de Airflow

resource.type="k8s_pod"
resource.labels.cluster_name="GKE_CLUSTER_NAME"
resource.labels.pod_name:"airflow-worker"
log_id("events")
jsonPayload.reason="Evicted"

Soluciones:

Se cerró el trabajador de Airflow

Es posible que los trabajadores de Airflow se quiten de forma externa. Si las tareas que se están ejecutando no finalizan durante un período de finalización elegante, se interrumpirán y podrían detectarse como zombis.

Descubre las terminaciones de pods de trabajadores de Airflow

resource.type="k8s_cluster"
resource.labels.cluster_name="GKE_CLUSTER_NAME"
protoPayload.methodName:"pods.delete"
protoPayload.response.metadata.name:"airflow-worker"

Situaciones y soluciones posibles:

  • Los trabajadores de Airflow se reinician durante las modificaciones del entorno, como actualizaciones o instalación de paquetes:

    Descubre las modificaciones del entorno de Composer

    resource.type="cloud_composer_environment"
resource.labels.environment_name="ENVIRONMENT_NAME"
log_id("cloudaudit.googleapis.com%2Factivity")

    Puedes realizar esas operaciones cuando no se estén ejecutando tareas críticas o habilitar los reintentos de tareas.

  • Es posible que varios componentes no estén disponibles temporalmente durante las operaciones de mantenimiento:

    Descubre las operaciones de mantenimiento de GKE

    resource.type="gke_nodepool"
resource.labels.cluster_name="GKE_CLUSTER_NAME"
protoPayload.metadata.operationType="UPGRADE_NODES"

    Puedes especificar períodos de mantenimiento para minimizar las superposiciones con la ejecución de tareas críticas.

  • En las versiones de Cloud Composer 2 anteriores a 2.4.5, se aplica una solicitud es posible que el trabajador ignore la señal SIGTERM y continúe ejecutando tareas:

    Descubre cómo reducir la escala verticalmente con el ajuste de escala automático de Composer

    resource.type="cloud_composer_environment"
resource.labels.environment_name="ENVIRONMENT_NAME"
log_id("airflow-worker-set")
textPayload:"Workers deleted"

    Puedes actualizar a una versión posterior de Cloud Composer en la que se corrigió este problema.

El trabajador de Airflow estaba bajo una gran carga

La cantidad de recursos de CPU y memoria disponibles para un trabajador de Airflow es limitada por la configuración del entorno. Si un uso se acerca a los límites, causaría una contención de recursos y retrasos innecesarios durante la tarea ejecución. En situaciones extremas, cuando los recursos carecen durante períodos más largos tiempo, esto podría provocar tareas zombis.

Soluciones:

La base de datos de Airflow estaba bajo una carga pesada

Varios componentes de Airflow usan una base de datos para comunicarse entre sí. en particular, para almacenar las pulsaciones de las instancias de tareas. Escasez de recursos en la de la base de datos generará tiempos de consulta más largos y podría afectar la ejecución de una tarea.

Soluciones:

La base de datos de Airflow no estaba disponible en este momento

Es posible que un trabajador de Airflow tarde en detectar y manejar como problemas temporales de conectividad. Es posible que supere el valor predeterminado de detección de zombis.

Descubre los tiempos de espera de la señal de monitoreo de funcionamiento de Airflow

resource.type="cloud_composer_environment"
resource.labels.environment_name="ENVIRONMENT_NAME"
log_id("airflow-worker")
textPayload:"Heartbeat time limit exceeded"

Soluciones:

  • Aumentar el tiempo de espera para tareas zombi y anular el valor de [scheduler]scheduler_zombie_task_threshold Opción de configuración de Airflow:

    Sección Clave Valor Notas
    scheduler scheduler_zombie_task_threshold Nuevo tiempo de espera agotado (en segundos) El valor predeterminado es 300.

Soluciona problemas relacionados con la píldora envenenada

Poison Pill es un mecanismo que usa Airflow para cerrar sus tareas.

Airflow usa la píldora envenenada en las siguientes situaciones:

  • Cuando un programador finaliza una tarea que no se completó a tiempo.
  • Cuando una tarea se agota o se ejecuta durante demasiado tiempo.

Cuando Airflow usa la píldora envenenada, puedes ver las siguientes entradas de registro en los registros de un trabajador de Airflow que ejecutó la tarea:

  INFO - Subtask ... WARNING - State of this instance has been externally set
  to success. Taking the poison pill.
  INFO - Subtask ... INFO - Sending Signals.SIGTERM to GPID <X>
  INFO - Subtask ... ERROR - Received SIGTERM. Terminating subprocesses.

Soluciones posibles:

  • Revisa el código de la tarea para ver si hay errores que puedan provocar que se ejecute durante demasiado tiempo.
  • (Cloud Composer 2) Aumenta la CPU y la memoria de los trabajadores de Airflow para que las tareas se ejecuten más rápido.

  • Aumenta el valor de la opción de configuración de Airflow [celery_broker_transport_options]visibility-timeout.

    Como resultado, el programador espera más tiempo a que se complete una tarea antes de considerarla una tarea zombi. Esta opción es especialmente útil para tareas que requieren mucho tiempo y duran varias horas. Si Si el valor es demasiado bajo (por ejemplo, 3 horas), el programador considera tareas que se ejecutan durante 5 o 6 horas como “suspendidas” (Tareas zombi).

  • Aumenta el valor de la opción de configuración de Airflow [core]killed_task_cleanup_time.

    Un valor más largo proporciona más tiempo a los trabajadores de Airflow para que finalicen sus tareas con elegancia. Si el valor es demasiado bajo, es posible que se interrumpan las tareas de Airflow de forma abrupta, sin tiempo suficiente para terminar el trabajo con elegancia.

Cómo solucionar problemas relacionados con los indicadores SIGTERM

Linux, Kubernetes, el programador de Airflow y Celery usan los indicadores SIGTERM para finalizar los procesos responsables de ejecutar tareas o trabajadores de Airflow.

Existen varios motivos por los que se envían indicadores SIGTERM en un entorno:

  • Una tarea se convirtió en una tarea zombi y debe detenerse.

  • El programador descubrió un duplicado de una tarea y envía una píldora venenosa. SIGTERM señala la tarea para detenerla.

  • En el ajuste de escala automático horizontal de Pods, el plano de control de GKE envía indicadores SIGTERM para quitar los Pods que ya no se necesitan.

  • El programador puede enviar señales SIGTERM al proceso DagFileProcessorManager. El programador usa esos indicadores SIGTERM para administrar el ciclo de vida del proceso de DagFileProcessorManager y se pueden ignorar de forma segura.

    Ejemplo:

    Launched DagFileProcessorManager with pid: 353002
Sending Signals.SIGTERM to group 353002. PIDs of all processes in the group: []
Sending the signal Signals.SIGTERM to group 353002
Sending the signal Signals.SIGTERM to process 353002 as process group is missing.

  • Condición de carrera entre la devolución de llamada de monitoreo de funcionamiento y las devoluciones de llamada de salida en el local_task_job, que supervisa la ejecución de la tarea. Si el corazón late detecta que una tarea se marcó como exitosa, no puede distinguir si la tarea en sí se realizó correctamente o que se le pidió a Airflow que considerara la tarea y exitoso. Sin embargo, finalizará un ejecutor de tareas sin esperar a que se cierre.

    Estas señales SIGTERM pueden ignorarse de forma segura. La tarea ya se encuentra en estado exitoso y la ejecución de la ejecución de DAG en su totalidad no se afectado.

    La entrada de registro Received SIGTERM. es la única diferencia entre la salida normal y la finalización de la tarea en el estado correcto.

    Condición de carrera entre la señal de monitoreo de funcionamiento y las devoluciones de llamada de salida
    . Figura 2: Condición de carrera entre el latido y las devoluciones de llamada de salida (haz clic para ampliar)

  • Un componente de Airflow usa más recursos (CPU, memoria) de los que permite el nodo del clúster.

  • El servicio de GKE realiza operaciones de mantenimiento y envía indicadores SIGTERM a los pods que se ejecutan en un nodo que está a punto de actualizarse. Cuando una instancia de tarea finaliza con SIGTERM, puedes ver el siguiente registro entradas en los registros de un trabajador de Airflow que ejecutó la tarea:

{local_task_job.py:211} WARNING - State of this instance has been externally
set to queued. Terminating instance. {taskinstance.py:1411} ERROR - Received
SIGTERM. Terminating subprocesses. {taskinstance.py:1703} ERROR - Task failed
with exception

Soluciones posibles:

Este problema ocurre cuando una VM que ejecuta la tarea se queda sin memoria. Esto no se relaciona con las configuraciones de Airflow, sino con la cantidad de memoria disponible para la VM.

El aumento de la memoria depende de la versión de Cloud Composer que usas. Por ejemplo:

  • En Cloud Composer 2, puedes asignar más recursos de CPU y memoria a Airflow trabajadores.

  • En el caso de Cloud Composer 1, puedes volver a crear tu entorno usando un de tipo de máquina con más rendimiento.

  • En ambas versiones de Cloud Composer, puedes reducir el valor de La opción de configuración de simultaneidad [celery]worker_concurrency de Airflow Esta opción determina cuántas tareas ejecuta un determinado Trabajador de Airflow.

Para obtener más información sobre cómo optimizar tu entorno de Cloud Composer 2, consulta Optimiza el rendimiento y los costos del entorno.

Consultas de Cloud Logging para descubrir los motivos de los reinicios o las expulsiones de Pods

Los entornos de Cloud Composer usan clústeres de GKE como capa de infraestructura de procesamiento. En esta sección, podrás encontrar consultas útiles que pueden ayudarte a encontrar los motivos de los reinicios o desalojos del trabajador o programador de Airflow.

Las consultas que se presentan a continuación se podrían ajustar de la siguiente manera:

  • Puedes especificar un cronograma que te interese en Cloud Logging. por ejemplo, las últimas 6 horas o 3 días, o bien puedes definir un intervalo de tiempo personalizado

  • debes especificar el CLUSTER_NAME de Cloud Composer.

  • También puedes limitar la búsqueda a un Pod específico si agregas POD_NAME.

Descubre contenedores reiniciados

    resource.type="k8s_node"
    log_id("kubelet")
    jsonPayload.MESSAGE:"will be restarted"
    resource.labels.cluster_name="CLUSTER_NAME"

Consulta alternativa para limitar los resultados a un pod específico:

    resource.type="k8s_node"
    log_id("kubelet")
    jsonPayload.MESSAGE:"will be restarted"
    resource.labels.cluster_name="CLUSTER_NAME"
    "POD_NAME"

Descubre el cierre de contenedores como resultado de un evento de memoria insuficiente

    resource.type="k8s_node"
    log_id("events")
    (jsonPayload.reason:("OOMKilling" OR "SystemOOM")
      OR jsonPayload.message:("OOM encountered" OR "out of memory"))
    severity=WARNING
    resource.labels.cluster_name="CLUSTER_NAME"

Consulta alternativa para limitar los resultados a un pod específico:

    resource.type="k8s_node"
    log_id("events")
    (jsonPayload.reason:("OOMKilling" OR "SystemOOM")
      OR jsonPayload.message:("OOM encountered" OR "out of memory"))
    severity=WARNING
    resource.labels.cluster_name="CLUSTER_NAME"
    "POD_NAME"

Descubre los contenedores que dejaron de ejecutarse

    resource.type="k8s_node"
    log_id("kubelet")
    jsonPayload.MESSAGE:"ContainerDied"
    severity=DEFAULT
    resource.labels.cluster_name="CLUSTER_NAME"

Consulta alternativa para limitar los resultados a un pod específico:

    resource.type="k8s_node"
    log_id("kubelet")
    jsonPayload.MESSAGE:"ContainerDied"
    severity=DEFAULT
    resource.labels.cluster_name="CLUSTER_NAME"
    "POD_NAME"

Impacto de las operaciones de actualización en las ejecuciones de tareas de Airflow

Las operaciones de actualización interrumpen las tareas de Airflow que se están ejecutando, a menos que se ejecuten en el modo diferido.

Recomendamos realizar estas operaciones cuando se espere que el impacto sea mínimo en las ejecuciones de tareas de Airflow y configura mecanismos de reintento adecuados en tu DAG y tareas.

Soluciona problemas de tareas de KubernetesExecutor

CeleryKubernetesExecutor es un tipo de ejecutor en Cloud Composer 3 que puede usar CeleryExecutor y KubernetesExecutor al mismo tiempo.

Consulta la página Cómo usar CeleryKubernetesExecutor para obtener más información sobre la solución de problemas de las tareas que se ejecutan con KubernetesExecutor.

Problemas comunes

En las siguientes secciones, se describen los síntomas y las posibles soluciones para algunos problemas comunes del DAG.

Negsignal.SIGKILL interrumpió la tarea de Airflow

A veces, tu tarea puede estar usando más memoria de la que se asignó al trabajador de Airflow. En ese caso, es posible que Negsignal.SIGKILL la interrumpa. El sistema envía esta señal para evitar un mayor consumo de memoria, lo que podría afectar la ejecución de otras tareas de Airflow. En el registro del trabajador de Airflow, es posible que veas la siguiente entrada de registro:

{local_task_job.py:102} INFO - Task exited with return code Negsignal.SIGKILL

Negsignal.SIGKILL también puede aparecer como código -9.

Soluciones posibles:

  • Disminuye el worker_concurrency de los trabajadores de Airflow.

  • En el caso de Cloud Composer 2, aumenta la memoria de los trabajadores de Airflow.

  • En el caso de Cloud Composer 1, debes actualizar a un tipo de máquina más grande que se usa en Clúster de Cloud Composer.

  • Optimiza tus tareas para usar menos memoria.

  • Administra tareas con uso intensivo de recursos en Cloud Composer con KubernetesPodOperator o GKEStartPodOperator para aislamiento de tareas y asignación personalizada de recursos.

La tarea falla sin emitir registros debido a errores de análisis de DAG

A veces, puede haber errores sutiles del DAG que generen una situación en la que un programador de Airflow y un procesador de DAG pueden programar tareas para su ejecución y analizar un archivo DAG (respectivamente), pero el trabajador de Airflow no puede ejecutar tareas desde este DAG, ya que hay errores de programación en el archivo DAG de Python. Esto podría puede generar una situación en la que una tarea de Airflow se marca como Failed y no hay ningún registro de su ejecución.

Soluciones:

La tarea falla sin emitir registros debido a la presión de recursos

Síntoma: Durante la ejecución de una tarea, el subproceso del trabajador de Airflow responsable de la ejecución de la tarea de Airflow se interrumpe abruptamente. El error visible en el registro del trabajador de Airflow puede ser similar al siguiente:

...
File "/opt/python3.8/lib/python3.8/site-packages/celery/app/trace.py", line 412, in trace_task    R = retval = fun(*args, **kwargs)  File "/opt/python3.8/lib/python3.8/site-packages/celery/app/trace.py", line 704, in __protected_call__    return self.run(*args, **kwargs)  File "/opt/python3.8/lib/python3.8/site-packages/airflow/executors/celery_executor.py", line 88, in execute_command    _execute_in_fork(command_to_exec)  File "/opt/python3.8/lib/python3.8/site-packages/airflow/executors/celery_executor.py", line 99, in _execute_in_fork
raise AirflowException('Celery command failed on host: ' + get_hostname())airflow.exceptions.AirflowException: Celery command failed on host: airflow-worker-9qg9x
...

Solución:

La tarea falla sin emitir registros debido a la expulsión del Pod

Los Pods de Google Kubernetes Engine están sujetos a las Ciclo de vida del Pod de Kubernetes y expulsión del Pod. Tarea Los aumentos repentinos y la programación conjunta de trabajadores son las dos causas más comunes de expulsión de Pods. en Cloud Composer.

La expulsión de pods puede ocurrir cuando un pod en particular usa recursos de un nodo, en relación con las expectativas de consumo de recursos configuradas para el nodo. Por ejemplo, la expulsión puede ocurrir cuando varias tareas con alto contenido de memoria se ejecutan en un pod y su carga combinada hace que el nodo en el que se ejecuta este pod supere el límite de consumo de memoria.

Si se expulsa un pod de trabajador de Airflow, todas las instancias de tareas que se ejecutan en ese pod se interrumpen y, luego, se marcan como con errores en Airflow.

Los registros están almacenados en búfer. Si se expulsa un pod trabajador antes de que se vacíe el búfer, no se emiten registros. La falla de la tarea sin registros indica que los trabajadores de Airflow se reiniciaron debido a la falta de memoria (OOM). Algunos registros pueden estar presentes en Cloud Logging, aunque los registros de Airflow no se hayan emitido.

Para ver los registros, haz lo siguiente:

  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.

  4. Consulta los registros de los trabajadores individuales en Todos los registros -> Registros de Airflow -> Trabajadores -> (trabajador individual).

La ejecución del DAG tiene memoria limitada. Cada ejecución de la tarea comienza con dos procesos de Airflow: ejecución de la tarea y supervisión. Actualmente, cada nodo puede realizar hasta 6 tareas simultáneas (aproximadamente 12 procesos cargados con módulos de Airflow). Se puede consumir más memoria, según el tamaño del DAG.

Síntoma:

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

    Ir a Cargas de trabajo

  2. Si hay pods airflow-worker que muestran Evicted, haz clic en cada pod expulsado y busca el mensaje The node was low on resource: memory en la parte superior de la ventana.

Solución:

  • En Cloud Composer 1, crea un nuevo entorno de Cloud Composer con un tipo de máquina más grande que la máquina actual el tipo de letra.
  • En Cloud Composer 2, aumenta los límites de memoria para los trabajadores de Airflow.
  • Verifica los registros de los pods de airflow-worker para encontrar posibles causas de expulsión. Para ver más información sobre la recuperación de registros de Pods individuales, consulta Soluciona problemas con las cargas de trabajo implementadas.
  • Asegúrate de que las tareas del DAG sean idempotentes y se puedan reintentar.

  • Evita descargar archivos innecesarios en el sistema de archivos local de los trabajadores de Airflow.

    Los trabajadores de Airflow tienen una capacidad limitada del sistema de archivos local. Por ejemplo, en Cloud Composer 2, un trabajador puede tener de 1 GB a 10 GB de almacenamiento Cuando se queda sin espacio de almacenamiento, el Pod trabajador de Airflow es expulsado Plano de control de GKE. Esto falla en todas las tareas que se se ejecutaba el trabajador.

    Ejemplos de operaciones problemáticas:

    • Descargar archivos o objetos y almacenarlos de forma local en un trabajador de Airflow En su lugar, almacena estos objetos directamente en un servicio adecuado, como un bucket de Cloud Storage.
    • Acceso a objetos grandes en la carpeta /data desde un trabajador de Airflow. El trabajador de Airflow descarga el objeto en su sistema de archivos local. En su lugar, implementa tus DAG para que los archivos grandes se procesen fuera del pod de trabajador de Airflow.

Tiempo de espera de importación de carga de DAG

Síntoma:

  • En la interfaz web de Airflow, en la parte superior de la página de la lista de DAGs, aparece un cuadro de alerta rojo que muestra Broken DAG: [/path/to/dagfile] Timeout.

  • En Cloud Monitoring: Los registros airflow-scheduler contienen entradas similares a:

    • ERROR - Process timed out
    • ERROR - Failed to import: /path/to/dagfile
    • AirflowTaskTimeout: Timeout

Solución:

Anula la opción de configuración de Airflow dag_file_processor_timeout y permite más tiempo para el análisis del DAG:

Sección Clave Valor
core dag_file_processor_timeout Nuevo valor del tiempo de espera

La ejecución del DAG no finaliza en el tiempo esperado

Síntoma:

A veces, una ejecución de DAG no finaliza porque las tareas de Airflow se detienen y se ejecutan el DAG dura más de lo esperado. En condiciones normales, las tareas de Airflow no permanecen de forma indefinida en el estado en cola o de ejecución, porque Airflow tiene los procedimientos de limpieza que ayudan a evitar esta situación.

Solución:

  • Usa el parámetro dagrun_timeout para los DAG. Por ejemplo: dagrun_timeout=timedelta(minutes=120). Como resultado, cada ejecución de DAG debe completarse dentro del tiempo de espera de la ejecución de DAG, y las tareas que no se completen se marcarán como Failed o Upstream Failed. Para obtener más información sobre los estados de las tareas de Airflow, consulta la documentación de Apache Airflow.

  • Usa el tiempo de espera de ejecución de la tarea para definir un tiempo de espera predeterminado para las tareas que se ejecutan en función de Apache operadores de Airflow.

No se ejecutaron las ejecuciones de DAG

Síntoma:

Cuando se configura dinámicamente una fecha programada para un DAG, puede generar efectos secundarios inesperados. Por ejemplo:

  • Una ejecución de DAG siempre es en el futuro, y el DAG nunca se ejecuta.

  • Las ejecuciones de DAG anteriores se marcan como ejecutadas y correctas a pesar de que no se ejecutaron.

Hay más información disponible en la documentación de Apache Airflow.

Solución:

  • Sigue las recomendaciones en la documentación de Apache Airflow.

  • Establece un start_date estático para los DAG. Como opción, puedes usar catchup=False para inhabilitar la ejecución del DAG para fechas anteriores.

  • Evita usar datetime.now() o days_ago(<number of days>), a menos que seas de los efectos secundarios de este enfoque.

Mayor tráfico de red desde y hacia la base de datos de Airflow

La cantidad de tráfico de red entre el clúster de GKE de tu entorno y la base de datos de Airflow depende de la cantidad de DAG, de tareas en DAG, y de cómo los DAG acceden a los datos en la base de datos de Airflow. Los siguientes factores pueden influir en el uso de la red:

  • Consultas a la base de datos de Airflow Si tus DAG realizan muchas consultas, generan grandes cantidades de tráfico. Por ejemplo, verificar el estado de las tareas antes de continuar con otras tareas, consultar la tabla XCom y volcar el contenido de la base de datos de Airflow.

  • Gran cantidad de tareas. Cuantas más tareas haya para programar, más tráfico de red se generará. Esta consideración se aplica a la cantidad total de tareas en tus DAG y a la frecuencia de programación. Cuando el programador de Airflow programa las ejecuciones de DAG, realiza consultas a la base de datos de Airflow y genera tráfico.

  • La interfaz web de Airflow genera tráfico de red, ya que realiza consultas a la base de datos de Airflow. El uso intensivo de páginas con grafos, tareas y diagramas puede generar grandes volúmenes de tráfico de red.

El DAG provoca una falla en el servidor web de Airflow o hace que muestre un error 502 gateway timeout

Las fallas del servidor web pueden ocurrir por varias razones diferentes. Verifica los registros de airflow-webserver en Cloud Logging para determinar la causa del error 502 gateway timeout.

Procesamiento pesado

Esta sección solo se aplica a Cloud Composer 1.

Evita ejecutar procesamientos pesados durante el tiempo de análisis del DAG.

A diferencia de los nodos de trabajador y programador, cuyos tipos de máquina pueden personalizarse para tener mayor capacidad de CPU y memoria, el servidor web usa un tipo de máquina fijo que puede provocar errores de análisis del DAG si el procesamiento es demasiado pesado.

Ten en cuenta que el servidor web tiene 2 CPU virtuales y 2 GB de memoria. El valor predeterminado para core-dagbag_import_timeout es 30 segundos. Este valor de tiempo de espera define el límite superior de tiempo que Airflow pasa cargando un módulo de Python en la carpeta dags/.

Permisos incorrectos

Esta sección solo se aplica a Cloud Composer 1.

El servidor web no se ejecuta con la misma cuenta de servicio que los trabajadores y el programador. Por lo tanto, es posible que los trabajadores y el programador puedan acceder a los recursos administrados por el usuario a los que el servidor web no puede acceder.

Te recomendamos que evites acceder a recursos no públicos durante el análisis del DAG. A veces, esto es inevitable y deberás otorgar permisos a la cuenta de servicio del servidor web. El nombre de la cuenta de servicio se deriva del dominio de tu servidor web. Por ejemplo, si el dominio es example-tp.appspot.com, la cuenta de servicio es example-tp@appspot.gserviceaccount.com.

Errores del DAG

Esta sección solo se aplica a Cloud Composer 1.

El servidor web se ejecuta en App Engine y es independiente del clúster de GKE de tu entorno. El servidor web analiza los archivos de definición del DAG, y puede mostrarse un mensaje 502 gateway timeout si hay errores en el DAG. Airflow funciona normalmente sin un servidor web funcional si el un DAG problemático no interrumpe ningún proceso que se ejecute en GKE. En este caso, puedes usar gcloud composer environments run para recuperar detalles de tu entorno y como una solución alternativa si el servidor web se vuelve disponible.

En otros casos, puedes ejecutar el análisis del DAG en GKE y buscar DAG que arrojen excepciones críticas de Python o para los que se haya agotado el tiempo de espera (30 segundos predeterminados). Para solucionar el problema, conéctate a un shell remoto en un contenedor de trabajador de Airflow y prueba los errores de sintaxis. Para obtener más información, consulta Probar DAG.

Cómo controlar una gran cantidad de DAG y complementos en las carpetas de DAG y complementos

El contenido de las carpetas /dags y /plugins se sincroniza desde bucket de tu entorno a los sistemas de archivos locales de los trabajadores de Airflow y programadores.

Cuantos más datos se almacenen en estas carpetas, más tiempo tardará la sincronización. Para abordar dichas situaciones:

  • Limita la cantidad de archivos en las carpetas /dags y /plugins. Almacena solo los la cantidad mínima de archivos necesarios.

  • Si es posible, aumenta el espacio en el disco disponible para los programadores y trabajadores de Airflow.

  • Si es posible, aumenta la CPU y la memoria de los programadores y trabajadores de Airflow que la operación de sincronización se realice más rápido.

  • Si hay una gran cantidad de DAG, divídelos en lotes, comprime en archivos ZIP y, luego, impleméntalos en la carpeta /dags. Este enfoque acelera el proceso de sincronización de los DAG. Los componentes de Airflow descomprimen los archivos ZIP antes de procesar los DAG.

  • Generar DAGs de forma programática también puede ser un método para limitar la cantidad de archivos DAG almacenados en la carpeta /dags. Consulta la sección sobre los DAG programáticos que se deben evitar problemas con la programación y ejecución de DAG generados de manera programática.

No programes DAG generados de manera programática al mismo tiempo

Generar objetos DAG de forma programática a partir de un archivo DAG es un método eficiente para crear muchos DAG similares que solo tienen pequeñas diferencias.

Es importante no programar todos esos DAG para su ejecución de inmediato. Es probable que los trabajadores de Airflow no tengan suficientes recursos de CPU y memoria para ejecutar todas las tareas programadas al mismo tiempo.

Para evitar problemas con la programación de DAGs programáticos, haz lo siguiente:

  • Aumenta la simultaneidad de los trabajadores y escala tu entorno para que pueda ejecutar más tareas de forma simultánea.
  • Genera DAG de manera tal que se distribuyan sus programas de manera uniforme a lo largo del tiempo para evitar programar cientos de tareas al mismo tiempo, de modo que los trabajadores de Airflow tengan tiempo para ejecutar todas las tareas programadas.

Error 504 cuando se accede al servidor web de Airflow

Consulta el error 504 cuando se accede a la IU de Airflow.

Se genera la excepción Lost connection to Postgres server during query durante la ejecución de la tarea o justo después de ella

Lost connection to Postgres server during query excepciones generalmente ocurren cuando se cumplen las siguientes condiciones:

  • El DAG usa PythonOperator o un operador personalizado.
  • El DAG realiza consultas a la base de datos de Airflow.

Si se realizan varias consultas desde una función que admite llamadas, los objetos tracebacks pueden apuntar de forma incorrecta a la línea self.refresh_from_db(lock_for_update=True) en el código de Airflow. Es la primera consulta de la base de datos después de la ejecución de la tarea. La causa real de la excepción ocurre antes de esto, cuando una sesión de SQLAlchemy no se cierra de forma correcta.

Las sesiones de SQLAlchemy se limitan a un subproceso y se crean en una sesión de función que admite llamadas que pueden continuar más adelante dentro del código de Airflow. Si hay errores significativos o demoras entre consultas dentro de una sesión, es posible que la conexión ya esté cerrado por el servidor de Postgres. El tiempo de espera de conexión en los entornos de Cloud Composer se establece en alrededor de 10 minutos.

Solución:

  • Usa el decorador airflow.utils.db.provide_session. Este decorador proporciona una sesión válida a la base de datos de Airflow en el parámetro session y cierra la sesión de forma correcta al final de la función.
  • No uses una sola función de larga duración. En cambio, mueve todas las consultas de base de datos a funciones separadas, de modo que haya varias funciones con el decorador airflow.utils.db.provide_session. En este caso, las sesiones se cierran de forma automática después de recuperar los resultados de la consulta.

Controla el tiempo de ejecución de los DAG, las tareas y las ejecuciones en paralelo del mismo DAG.

Si deseas controlar la duración de una sola ejecución de DAG para un DAG en particular, puedes usar el parámetro de DAG dagrun_timeout para hacerlo. Por ejemplo, si esperas que una sola ejecución de DAG (independientemente de si la ejecución finaliza con éxito o falla) no debe durar más de 1 hora, establece este parámetro en 3,600 segundos.

También puedes controlar cuánto tiempo permites que dure una sola tarea de Airflow. Para hacerlo, puedes usar execution_timeout.

Si quieres controlar cuántas ejecuciones de DAG activas quieres tener en un un DAG determinado, puedes usar el [core]max-active-runs-per-dag la opción de configuración de Airflow para hacerlo.

Si solo quieres ejecutar una instancia de un DAG en un momento dado, establece El parámetro max-active-runs-per-dag como 1.

Problemas que afectan la sincronización de DAG y complementos con programadores, trabajadores y servidores web

Cloud Composer sincroniza el contenido de las carpetas /dags y /plugins a los programadores y trabajadores. Ciertos objetos en las carpetas /dags y /plugins pueden impedir que esta sincronización funcione correctamente o, al menos, ralentizarla.

  • La carpeta /dags se sincroniza con los programadores y los trabajadores. Esta carpeta no está sincronizada a servidores web en Cloud Composer 2 o si activas DAG Serialization en Cloud Composer 1.

  • La carpeta /plugins se sincroniza con los programadores, los trabajadores y los servidores web.

Puedes encontrar los siguientes problemas:

  • Subiste archivos comprimidos en gzip que usan transcodificación de compresión a /dags y /plugins individuales. Suele ocurrir si usas la marca --gzip-local-all en un Comando gcloud storage cp para subir datos al bucket.

    Solución: Borra el objeto que usó la transcodificación de compresión y vuelve a subirlo al bucket.

  • Uno de los objetos se llama "."; dicho objeto no se sincroniza con entre los programadores y los trabajadores, y podría dejar de sincronizarse.

    Solución: Cambia el nombre del objeto problemático.

  • Una carpeta y un archivo de Python de DAG tienen los mismos nombres, por ejemplo, a.py. En este caso, el archivo DAG no se sincroniza correctamente con los componentes de Airflow.

    Solución: Quita la carpeta que tiene el mismo nombre que un archivo DAG de Python.

  • Uno de los objetos de las carpetas /dags o /plugins contiene un símbolo / al final del nombre del objeto. Estos objetos pueden confundir el proceso de sincronización. porque el símbolo / indica que un objeto es una carpeta, no un archivo.

    Solución: Quita el símbolo / del nombre del objeto problemático.

  • No almacenes archivos innecesarios en las carpetas /dags y /plugins.

    A veces, los DAG y los complementos que implementas se acompañan de archivos adicionales, como archivos que almacenan pruebas para estos componentes. Estos archivos se sincronizan con los trabajadores y programadores, y afectan el tiempo necesario para copiarlos en los programadores, los trabajadores y los servidores web.

    Solución: No almacenes archivos adicionales ni innecesarios en las carpetas /dags y /plugins.

Los programadores y trabajadores generan el error Done [Errno 21] Is a directory: '/home/airflow/gcs/dags/...'

Este problema ocurre porque los objetos pueden tener espacios de nombres superpuestos en Cloud Storage y, al mismo tiempo, los programadores y los trabajadores usan sistemas de archivos tradicionales. Por ejemplo, es posible para agregar una carpeta y un objeto con el mismo nombre al archivo bucket. Cuando el bucket se sincroniza con los programadores y trabajadores del entorno, se genera este error, lo que puede provocar fallas en las tareas.

Para solucionar este problema, asegúrate de que no haya espacios de nombres superpuestos en el en el bucket de tu entorno. Por ejemplo, si tanto /dags/misc (un archivo) como Las /dags/misc/example_file.txt (otro archivo) están en un bucket, se produce un error generada por el programador.

Interrupciones transitorias cuando se conecta a la base de datos de metadatos de Airflow

Cloud Composer se ejecuta en una infraestructura de nube distribuida. Significa que, de vez en cuando, pueden aparecer algunos problemas transitorios interrumpir la ejecución de tus tareas de Airflow.

En esas situaciones, es posible que veas los siguientes mensajes de error en los registros de los trabajadores de Airflow:

"Can't connect to Postgres server on 'airflow-sqlproxy-service.default.svc.cluster.local' (111)"

o

"Can't connect to Postgres server on 'airflow-sqlproxy-service.default.svc.cluster.local' (104)"

Estos problemas intermitentes también pueden deberse a operaciones de mantenimiento que se realizan en tus entornos de Cloud Composer.

Por lo general, esos errores son intermitentes y si tus tareas de Airflow son idempotentes y tienes reintentos configurados, debes ser inmune a ellos. También puedes definir períodos de mantenimiento.

Un motivo adicional para estos errores podría ser la falta de recursos en el clúster de tu ambiente. En esos casos, puedes escalar o optimizar tu entorno como se describe en las instrucciones de Escalamiento de entornos o Optimización de tu entorno.

Una ejecución de DAG se marca como exitosa, pero no tiene tareas ejecutadas

Si una execution_date de ejecución de DAG es anterior a la start_date del DAG, es posible que veas ejecuciones de DAG que no tienen ninguna ejecución de tarea, pero que aún se marcan como correctas.

Ejecución correcta de un DAG sin tareas ejecutadas
Figura 3. Ejecución correcta de un DAG sin tareas ejecutadas (haz clic para ampliar)

Causa

Esta situación puede ocurrir en uno de los siguientes casos:

  • La diferencia de zona horaria entre execution_date y start_date del DAG provoca una discrepancia. Puede ocurrir, por ejemplo, cuando usando pendulum.parse(...) para configurar start_date.

  • El start_date del DAG se establece en un valor dinámico, por ejemplo, airflow.utils.dates.days_ago(1).

Solución

  • Asegúrate de que execution_date y start_date usen la misma zona horaria.

  • Especifica un start_date estático y combínalo con catchup=False para evitar lo siguiente: DAG que ejecutan fechas de inicio anteriores a la actual.

Un DAG no es visible en la IU de Airflow ni en la IU de DAG, y el programador no lo programa.

El encargado del tratamiento de datos analiza cada DAG antes de que el programador pueda programarlo y antes de que un DAG se haga visible en la IU de Airflow o la IU de DAG.

Con las siguientes opciones de configuración de Airflow, se definen tiempos de espera para analizar los DAG:

Si un DAG no es visible en la IU de Airflow o en la IU del DAG, haz lo siguiente:

  • Revisa los registros del procesador de DAG para ver si este puede procesar correctamente tu DAG. En caso de problemas, es posible que veas las siguientes entradas de registro en los registros del procesador o programador de DAG:
[2020-12-03 03:06:45,672] {dag_processing.py:1334} ERROR - Processor for
/usr/local/airflow/dags/example_dag.py with PID 21903 started at
2020-12-03T03:05:55.442709+00:00 has timed out, killing it.
  • Verifica los registros del programador para ver si funciona correctamente. En caso de Puedes ver las siguientes entradas de registro en los registros del programador:
DagFileProcessorManager (PID=732) last sent a heartbeat 240.09 seconds ago! Restarting it
Process timed out, PID: 68496

Soluciones:

  • Corrige todos los errores de análisis de DAG. El procesador de DAG analiza varios DAG, y en casos excepcionales, los errores de análisis de un DAG pueden afectar negativamente el análisis de otros DAG.

  • Si el análisis de tu DAG tarda más que la cantidad de segundos definida en [core]dagrun_import_timeout, aumenta este tiempo de espera.

  • Si el análisis de todos tus DAG demora más que la cantidad de segundos definidos en [core]dag_file_processor_timeout, y luego aumentará este tiempo de espera.

  • Si tu DAG tarda mucho tiempo en analizarse, también puede significar que no está implementar de manera óptima. Por ejemplo, si lee muchas variables de entorno o realiza llamadas a servicios externos o a la base de datos de Airflow. En la medida de lo posible, evita realizar esas operaciones en las secciones globales de los DAG.

  • Aumenta los recursos de CPU y memoria del programador para que funcione más rápido.

  • Ajusta la cantidad de programadores.

  • Aumenta la cantidad de procesos del procesador de DAG para que el análisis se realice más rápido. Puedes hacerlo aumentando el valor de [scheduler]parsing_process

  • Baja la frecuencia del análisis de DAG.

  • Disminuye la carga en la base de datos de Airflow.

Síntomas de que la base de datos de Airflow está bajo una carga pesada

Para obtener más información, consulta Síntomas de que la base de datos de Airflow está bajo presión.

¿Qué sigue?