Dépanner les DAG

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Cette page fournit les étapes de dépannage et des informations sur les problèmes courants liés aux workflows.

De nombreux problèmes d'exécution des DAG sont causés par des performances d'environnement non optimales. Vous pouvez optimiser votre environnement Cloud Composer 2 en suivant le guide Optimiser les performances et les coûts de l'environnement.

Certains problèmes d'exécution du DAG peuvent être dus au mauvais fonctionnement ou à un dysfonctionnement du programmeur Airflow. Veuillez suivre les instructions de dépannage du programmeur pour résoudre ces problèmes.

Résoudre un problème lié aux workflows

Pour commencer à résoudre les problèmes, procédez comme suit :

  1. Vérifiez les journaux Airflow.

    Vous pouvez augmenter le niveau de journalisation d'Airflow en remplaçant l'option de configuration Airflow suivante.

    Airflow 2

    Section Clé Valeur
    logging logging_level La valeur par défaut est INFO. Définissez la valeur sur DEBUG pour obtenir plus de détails dans les messages de journal.

    Airflow 1

    Section Clé Valeur
    core logging_level La valeur par défaut est INFO. Définissez la valeur sur DEBUG pour obtenir plus de détails dans les messages de journal.

  2. Consultez le tableau de bord Monitoring.

  3. Examinez Cloud Monitoring.

  4. Dans la console Google Cloud, recherchez les erreurs sur les pages des composants de votre environnement.

  5. Dans l'interface Web Airflow, recherchez les instances de tâche ayant échoué dans la vue graphique du DAG.

    Section Clé Valeur
    webserver dag_orientation LR, TB, RL ou BT

Déboguer des échecs de l'opérateur

Pour déboguer un échec de l'opérateur, procédez comme suit :

  1. Recherchez les erreurs spécifiques à la tâche.
  2. Vérifiez les journaux Airflow.
  3. Examinez Cloud Monitoring.
  4. Consultez les journaux propres aux opérateurs.
  5. Corrigez les erreurs.
  6. Importez le DAG dans le dossier dags/.
  7. Dans l'interface Web Airflow, effacez les états antérieurs du DAG.
  8. Relancez ou exécutez le DAG.

Résoudre les problèmes d'exécution de tâches

Airflow est un système distribué avec de nombreuses entités telles que le programmeur, l'exécuteur et les nœuds de calcul qui communiquent entre eux via une file d'attente de tâches et la base de données Airflow, et envoient des signaux (comme SIGTERM). Le schéma suivant présente les interconnexions entre les composants Airflow.

Interaction entre les composants Airflow
Figure 1. Interaction entre les composants Airflow (cliquez pour agrandir)

Dans un système distribué tel qu'Airflow, il peut y avoir des problèmes de connectivité réseau, ou l'infrastructure sous-jacente peut rencontrer des problèmes intermittents. Cela peut entraîner des situations où des tâches peuvent échouer et être reprogrammées pour exécution, ou des tâches peuvent ne pas être terminées (pour les tâches zombies ou bloquées lors de l'exécution). Airflow dispose de mécanismes permettant de gérer de telles situations et de reprendre automatiquement le fonctionnement normal. Les sections suivantes décrivent les problèmes courants survenant lors de l'exécution d'une tâche par Airflow : tâches zombies, pilules empoisonnées et signaux SIGTERM.

Résoudre les problèmes liés aux tâches zombies

Airflow détecte deux types de non-concordance entre une tâche et un processus qui l'exécute:

  • Les tâches zombies sont des tâches censées s'exécuter, mais pas en cours d'exécution. Cela peut se produire si le processus de la tâche a été arrêté ou ne répond pas, si le nœud de calcul Airflow n'a pas signalé l'état de la tâche à temps en raison de sa surcharge, ou si la VM sur laquelle la tâche est exécutée a été arrêtée. Airflow trouve ces tâches régulièrement et échoue ou relance la tâche, en fonction de ses paramètres.

    Découvrez des missions zombies

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

  • Les tâches zombies sont des tâches qui ne sont pas censées être en cours d'exécution. Airflow recherche ces tâches régulièrement et les y arrête.

Vous trouverez ci-dessous les raisons les plus courantes des tâches zombies et les solutions qui s'y rapportent.

Le nœud de calcul Airflow est à court de mémoire

Chaque nœud de calcul Airflow peut exécuter jusqu'à [celery]worker_concurrency instances de tâche simultanément. Si la consommation de mémoire cumulative de ces instances de tâche dépasse la limite de mémoire pour un nœud de calcul Airflow, un processus aléatoire est arrêté pour libérer des ressources.

Découvrir les événements de saturation de la mémoire des nœuds de calcul Airflow

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

Solutions :

Le nœud de calcul Airflow a été évincé

Les évictions de pods font partie intégrante de l'exécution des charges de travail sur Kubernetes. GKE évince les pods en cas de manque d'espace de stockage ou pour libérer des ressources pour des charges de travail avec une priorité plus élevée.

Découvrir les évictions de nœuds de calcul Airflow

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

Solutions :

Le nœud de calcul Airflow a été arrêté

Les nœuds de calcul Airflow peuvent être supprimés en externe. Si les tâches en cours ne se terminent pas pendant un délai de grâce, elles seront interrompues et risquent d'être détectées comme des zombies.

Découvrir les arrêts de pods de nœuds de calcul Airflow

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

Scénarios et solutions possibles:

  • Les nœuds de calcul Airflow sont redémarrés lors des modifications de l'environnement, telles que des mises à niveau ou l'installation d'un package:

    Découvrir les modifications de l'environnement Composer

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

    Vous pouvez effectuer ces opérations lorsqu'aucune tâche critique n'est en cours d'exécution ou si vous activez les tentatives d'exécution de tâches.

  • Plusieurs composants peuvent être temporairement indisponibles lors des opérations de maintenance:

    Découvrir les opérations de maintenance de GKE

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

    Vous pouvez spécifier des intervalles de maintenance afin de limiter les chevauchements avec l'exécution des tâches critiques.

  • Dans les versions de Cloud Composer 2 antérieures à la version 2.4.5, un nœud de calcul Airflow d'arrêt peut ignorer le signal SIGTERM et continuer à exécuter des tâches:

    Découvrir le scaling à la baisse par l'autoscaling de Composer

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

    Vous pouvez effectuer une mise à niveau vers une version ultérieure de Cloud Composer, où ce problème est résolu.

Le nœud de calcul Airflow était soumis à une charge importante

La quantité de ressources de processeur et de mémoire disponibles pour un nœud de calcul Airflow est limitée par la configuration de l'environnement. Si une utilisation se rapproche des limites, cela provoque des conflits de ressources et des retards inutiles lors de l'exécution de la tâche. Dans les situations extrêmes, lorsque les ressources sont insuffisantes pendant de longues périodes, cela peut entraîner des tâches zombies.

Solutions :

La base de données Airflow était soumise à une charge importante

Plusieurs composants Airflow utilisent une base de données pour communiquer entre eux et, en particulier, pour stocker les pulsations des instances de tâche. Une pénurie de ressources dans la base de données entraîne des temps de requête plus longs et peut affecter l'exécution d'une tâche.

Solutions :

La base de données Airflow était temporairement indisponible

Un nœud de calcul Airflow peut mettre du temps à détecter et à gérer correctement les erreurs intermittentes, telles que des problèmes de connectivité temporaires. Elle peut dépasser le seuil de détection des zombies par défaut.

Découvrir les délais avant expiration des pulsations Airflow

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

Solutions :

  • Augmentez le délai avant expiration des tâches zombies et remplacez la valeur de l'option de configuration Airflow [scheduler]scheduler_zombie_task_threshold:

    Section Clé Valeur Remarques
    scheduler scheduler_zombie_task_threshold Nouveau délai d'expiration (en secondes) La valeur par défaut est 300

Résoudre les problèmes de pilule empoisonnée

Pilule empoisonnée est un mécanisme utilisé par Airflow pour arrêter les tâches Airflow.

Airflow utilise les pilules empoisonnées dans les situations suivantes:

  • Lorsqu'un planificateur met fin à une tâche qui ne s'est pas terminée à temps.
  • Lorsqu'une tâche expire ou est exécutée trop longtemps.

Lorsqu'Airflow utilise une pilule empoisonnée, les entrées de journal suivantes s'affichent dans les journaux d'un nœud de calcul Airflow qui a exécuté la tâche:

  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.

Solutions possibles:

  • Vérifiez que le code de la tâche ne contient pas d'erreurs qui pourraient entraîner une exécution trop longue.
  • (Cloud Composer 2) Augmentez le processeur et la mémoire des nœuds de calcul Airflow, afin d'accélérer l'exécution des tâches.

  • Augmentez la valeur de l'option de configuration Airflow [celery_broker_transport_options]visibility-timeout.

    Par conséquent, le planificateur attend plus longtemps la fin d'une tâche avant de la considérer comme une tâche zombie. Cette option est particulièrement utile pour les tâches chronophages qui durent de nombreuses heures. Si la valeur est trop faible (par exemple, 3 heures), le programmeur considère les tâches qui s'exécutent pendant 5 ou 6 heures comme "suspendues" (tâches zombies).

  • Augmentez la valeur de l'option de configuration Airflow [core]killed_task_cleanup_time.

    Une valeur plus élevée donne plus de temps aux nœuds de calcul Airflow pour terminer leurs tâches en douceur. Si cette valeur est trop faible, les tâches Airflow risquent d'être interrompues brusquement, sans avoir assez de temps pour terminer leur travail en douceur.

Résoudre les problèmes liés aux signaux SIGTERM

Les signaux SIGTERM sont utilisés par Linux, Kubernetes, le programmeur Airflow et Celery pour arrêter les processus responsables de l'exécution des nœuds de calcul Airflow ou des tâches Airflow.

Plusieurs raisons peuvent expliquer pourquoi les signaux SIGTERM sont envoyés dans un environnement:

  • Une tâche est devenue zombie et doit être arrêtée.

  • L'ordonnanceur a détecté un double d'une tâche et envoie des signaux SIGTERM et Poison Pill à la tâche pour l'arrêter.

  • Dans l'autoscaling horizontal des pods, le plan de contrôle GKE envoie des signaux SIGTERM pour supprimer les pods qui ne sont plus nécessaires.

  • Le programmeur peut envoyer des signaux SIGTERM au processus DagFileProcessorManager. Ces signaux SIGTERM sont utilisés par le planificateur pour gérer le cycle de vie du processus DagFileProcessorManager et peuvent être ignorés en toute sécurité.

    Exemple :

    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.

  • Condition de concurrence entre le rappel de pulsation et les rappels de sortie dans local_task_job, qui surveille l'exécution de la tâche. Si la pulsation détecte qu'une tâche a été marquée comme ayant réussi, elle ne peut pas distinguer si la tâche a réussi ou si l'on a indiqué à Airflow de considérer la tâche comme réussie. Néanmoins, il met fin à un exécuteur de tâches sans attendre sa fermeture.

    Ces signaux SIGTERM peuvent être ignorés sans risque. La tâche est déjà à l'état "réussite", et l'exécution de l'exécution du DAG dans son ensemble ne sera pas affectée.

    L'entrée de journal Received SIGTERM. est la seule différence entre la sortie standard et l'arrêt d'une tâche à l'état de réussite.

    Condition de concurrence entre les rappels de pulsation et de sortie
    Figure 2 : Condition de concurrence entre les rappels de pulsation et de sortie (cliquez pour agrandir)

  • Un composant Airflow utilise plus de ressources (processeur, mémoire) que ne le permet le nœud de cluster.

  • Le service GKE effectue des opérations de maintenance et envoie des signaux SIGTERM aux pods qui s'exécutent sur un nœud sur le point d'être mis à niveau. Lorsqu'une instance de tâche est arrêtée avec SIGTERM, vous pouvez voir les entrées de journal suivantes dans les journaux d'un nœud de calcul Airflow qui a exécuté la tâche:

{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

Solutions possibles:

Ce problème se produit lorsqu'une VM qui exécute la tâche est à court de mémoire. Ce problème n'est pas lié aux configurations Airflow, mais à la quantité de mémoire disponible pour la VM.

L'augmentation de la mémoire dépend de la version de Cloud Composer que vous utilisez. Exemple :

  • Dans Cloud Composer 2, vous pouvez attribuer davantage de ressources de processeur et de mémoire aux nœuds de calcul Airflow.

  • Si vous utilisez Cloud Composer 1, vous pouvez recréer votre environnement à l'aide d'un type de machine offrant de meilleures performances.

  • Dans les deux versions de Cloud Composer, vous pouvez réduire la valeur de l'option de configuration Airflow avec simultanéité [celery]worker_concurrency. Cette option détermine le nombre de tâches exécutées simultanément par un nœud de calcul Airflow donné.

Pour en savoir plus sur l'optimisation de votre environnement Cloud Composer 2, consultez la page Optimiser les performances et les coûts de l'environnement.

Requêtes Cloud Logging pour identifier les motifs de redémarrage ou d'éviction des pods

Les environnements Cloud Composer utilisent des clusters GKE en tant que couche d'infrastructure de calcul. Dans cette section, vous trouverez des requêtes utiles qui vous aideront à déterminer les raisons d'un redémarrage ou d'une éviction d'un nœud de calcul Airflow ou d'un programmeur Airflow.

Les requêtes présentées ci-dessous peuvent être affinées de la manière suivante:

  • Vous pouvez spécifier une chronologie qui vous intéresse dans Cloud Logging (les 6 ou 3 derniers jours,

  • vous devez spécifier le paramètre CLUSTER_NAME de Cloud Composer.

  • vous pouvez également limiter la recherche à un pod spécifique en ajoutant POD_NAME.

Découvrir les conteneurs redémarrés

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

Autre requête permettant de limiter les résultats à un pod spécifique:

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

Découvrir l'arrêt des conteneurs à la suite d'un événement de saturation de la mémoire

    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"

Autre requête permettant de limiter les résultats à un pod spécifique:

    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"

Identifier les conteneurs qui ne s'exécutent plus

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

Autre requête permettant de limiter les résultats à un pod spécifique:

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

Impact des opérations de mise à jour ou de mise à niveau sur les exécutions de tâches Airflow

Les opérations de mise à jour ou de mise à niveau interrompent les tâches Airflow en cours d'exécution, sauf si une tâche est exécutée en mode différable.

Nous vous recommandons d'effectuer ces opérations lorsque vous prévoyez un impact minimal sur les exécutions de tâches Airflow et de configurer des mécanismes de nouvelle tentative appropriés dans vos DAG et vos tâches.

Dépannage des tâches KubernetesExecutor

CeleryKubernetesExecutor est un type d'exécuteur dans Cloud Composer 3 qui peut utiliser CeleryExecutor et KubernetesExecutor en même temps.

Consultez la page Utiliser CeleryKubernetesExecutor pour en savoir plus sur le dépannage des tâches exécutées avec KubernetesExecutor.

Problèmes courants

Les sections suivantes décrivent les symptômes et les correctifs potentiels de certains problèmes courants liés aux DAG.

La tâche Airflow a été interrompue par Negsignal.SIGKILL

Il peut arriver que votre tâche utilise plus de mémoire que ce qu'alloue le nœud de calcul Airflow. Dans ce cas, elle peut être interrompue par Negsignal.SIGKILL. Le système envoie ce signal pour éviter une consommation de mémoire supplémentaire qui pourrait affecter l'exécution d'autres tâches Airflow. Dans le journal du nœud de calcul Airflow, l'entrée de journal suivante peut s'afficher:

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

Negsignal.SIGKILL peut également s'afficher sous la forme de code -9.

Solutions possibles:

  • Réduction de worker_concurrency de nœuds de calcul Airflow.

  • Dans le cas de Cloud Composer 2, augmentez la mémoire des nœuds de calcul Airflow.

  • Dans le cas de Cloud Composer 1, effectuez une mise à niveau vers un type de machine plus grand utilisé dans le cluster Cloud Composer.

  • Optimisez vos tâches pour utiliser moins de mémoire.

  • Gérez les tâches gourmandes en ressources dans Cloud Composer à l'aide de KubernetesPodOperator ou de GKEStartPodOperator pour l'isolation des tâches et l'allocation personnalisée des ressources.

La tâche échoue sans émettre de journaux en raison d'erreurs d'analyse DAG

Parfois, des erreurs de DAG subtiles peuvent entraîner une situation où un programmeur Airflow et un processeur DAG sont en mesure de planifier des tâches pour l'exécution et d'analyser un fichier DAG (respectivement), mais le nœud de calcul Airflow ne parvient pas à exécuter les tâches à partir d'un tel DAG, car il existe des erreurs de programmation dans le fichier DAG Python. Cela peut entraîner une situation où une tâche Airflow est marquée comme Failed et qu'aucun journal de son exécution n'est consigné.

Solutions :

  • Vérifiez dans les journaux des nœuds de calcul Airflow qu'aucune erreur n'est générée par le nœud de calcul Airflow concernant des erreurs d'analyse du DAG ou du DAG manquantes.

  • Augmentez le nombre de paramètres liés à l'analyse du DAG:

    • Augmentez la valeur de dagbag-import-timeout à au moins 120 secondes (ou plus, si nécessaire).

    • Augmentez la valeur de dag-file-processor-timeout à 180 secondes au moins (ou plus, si nécessaire). Cette valeur doit être supérieure à dagbag-import-timeout.

  • Consultez également la section Inspecter les journaux du processeur DAG.

La tâche échoue sans émettre de journaux en raison de la pression des ressources

Problème constaté: lors de l'exécution d'une tâche, le sous-processus du nœud de calcul Airflow responsable de l'exécution de la tâche Airflow est interrompu brusquement. L'erreur visible dans le journal du nœud de calcul Airflow peut ressembler à l'exemple ci-dessous:

...
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
...

Solution :

La tâche échoue sans émettre de journaux en raison de l'éviction du pod

Les pods Google Kubernetes Engine sont soumis au cycle de vie des pods Kubernetes et sont évictions. Les pics de tâches et la co-programmation des nœuds de calcul sont deux causes les plus courantes d'éviction des pods dans Cloud Composer.

L'éviction des pods peut se produire lorsqu'un pod particulier utilise trop de ressources sur un nœud, par rapport aux attentes de consommation de ressources configurées pour le nœud. Par exemple, une éviction peut se produire lorsque plusieurs tâches gourmandes en mémoire s'exécutent dans un pod et que leur charge combinée entraîne le dépassement de la limite de consommation de mémoire du nœud sur lequel ce pod s'exécute.

Si un pod de nœud de calcul Airflow est évincé, toutes les instances de tâche qui y sont exécutées sont interrompues, puis marquées comme ayant échoué par Airflow.

Les journaux sont mis en mémoire tampon. Si un pod de nœuds de calcul est évincé avant la purge du tampon, les journaux ne sont pas envoyés. L'échec de la tâche sans journaux indique que les nœuds de calcul Airflow sont redémarrés en raison d'une mémoire saturée (OOM, Out Of Memory). Certains journaux peuvent être présents dans Cloud Logging, même si les journaux Airflow n'ont pas été envoyés.

Pour afficher les journaux :

  1. Dans la console Google Cloud, accédez à la page Environnements.

    Accéder à la page Environnements

  2. Dans la liste des environnements, cliquez sur le nom de votre environnement. La page Détails de l'environnement s'ouvre.

  3. Accédez à l'onglet Journaux.

  4. Affichez les journaux de nœuds de calcul individuels sous Tous les journaux -> Journaux Airflow -> Nœuds de calcul -> (nœud de calcul individuel).

L'exécution du DAG est limitée en mémoire. L'exécution de chaque tâche commence par deux processus Airflow : l'exécution et la surveillance de la tâche. Chaque nœud peut accepter jusqu'à six tâches simultanées (environ 12 processus chargés avec des modules Airflow). Vous pouvez utiliser plus de mémoire, en fonction de la nature du DAG.

Symptôme :

  1. Dans la console Google Cloud, accédez à la page Charges de travail.

    Accéder à la page Charges de travail

  2. Si des pods airflow-worker affichent Evicted, cliquez sur chaque pod évincé et recherchez le message The node was low on resource: memory en haut de la fenêtre.

Correctif :

  • Dans Cloud Composer 1, créez un environnement Cloud Composer avec un type de machine d'une capacité supérieure à celle du type de machine actuel.
  • Dans Cloud Composer 2, augmentez les limites de mémoire pour les nœuds de calcul Airflow.
  • Consultez les journaux des pods airflow-worker pour identifier d'éventuelles causes d'éviction. Pour en savoir plus sur la récupération des journaux à partir de pods individuels, consultez la section Résoudre les problèmes liés aux charges de travail déployées.
  • Assurez-vous que les tâches du DAG sont idempotentes et récupérables.

  • Évitez de télécharger des fichiers inutiles sur le système de fichiers local des nœuds de calcul Airflow.

    La capacité du système de fichiers local des nœuds de calcul Airflow est limitée. Par exemple, dans Cloud Composer 2, un nœud de calcul peut disposer de 1 Go à 10 Go de stockage. Lorsque l'espace de stockage est insuffisant, le pod de nœuds de calcul Airflow est évincé par le plan de contrôle GKE. Toutes les tâches que le nœud de calcul évincé était en cours d'exécution échouent.

    Exemples d'opérations problématiques:

    • Télécharger des fichiers ou des objets et les stocker localement dans un nœud de calcul Airflow Stockez plutôt ces objets directement dans un service approprié tel qu'un bucket Cloud Storage.
    • Accès aux objets volumineux du dossier /data à partir d'un nœud de calcul Airflow. Le nœud de calcul Airflow télécharge l'objet dans son système de fichiers local. À la place, implémentez vos DAG de sorte que les fichiers volumineux soient traités en dehors du pod de nœuds de calcul Airflow.

Délai avant expiration de l'importation du chargement DAG

Symptôme :

  • Dans l'interface Web Airflow, en haut de la page de la liste des DAG, une zone d'alerte rouge affiche Broken DAG: [/path/to/dagfile] Timeout.

  • Dans Cloud Monitoring: les journaux airflow-scheduler contiennent des entrées semblables à celles-ci:

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

Correctif :

Remplacez l'option de configuration Airflow dag_file_processor_timeout et accordez plus de temps à l'analyse du DAG:

Section Clé Valeur
core dag_file_processor_timeout Nouvelle valeur du délai

L'exécution du DAG ne se termine pas dans le délai prévu

Symptôme :

Parfois, une exécution de DAG ne s'arrête pas, car les tâches Airflow sont bloquées et l'exécution du DAG dure plus longtemps que prévu. Dans des conditions normales, les tâches Airflow ne restent pas indéfiniment en file d'attente ou en cours d'exécution, car Airflow dispose de procédures de délai d'inactivité et de nettoyage permettant d'éviter cette situation.

Correctif :

  • Utilisez le paramètre dagrun_timeout pour les DAG. Exemple : dagrun_timeout=timedelta(minutes=120). Par conséquent, chaque exécution du DAG doit se terminer dans le délai avant expiration de l'exécution du DAG, et les tâches non terminées sont marquées comme Failed ou Upstream Failed. Pour en savoir plus sur les états des tâches Airflow, consultez la documentation Apache Airflow.

  • Utilisez le paramètre de délai d'exécution des tâches pour définir un délai d'expiration par défaut pour les tâches exécutées à l'aide d'opérateurs Apache Airflow.

Exécutions DAG non exécutées

Symptôme :

Lorsqu'une date de planification est définie de manière dynamique pour un DAG, cela peut entraîner divers effets secondaires inattendus. Exemple :

  • Une exécution du DAG se situe toujours dans le futur, et le DAG n'est jamais exécuté.

  • Les exécutions de DAG précédentes sont marquées comme exécutées et réussies bien qu'elles ne soient pas exécutées.

Pour en savoir plus, consultez la documentation Apache Airflow.

Correctif :

  • Suivez les recommandations de la documentation Apache Airflow.

  • Définissez une valeur start_date statique pour les DAG. Si vous le souhaitez, vous pouvez utiliser catchup=False pour désactiver l'exécution du DAG pour des dates passées.

  • Évitez d'utiliser datetime.now() ou days_ago(<number of days>), sauf si vous connaissez les effets secondaires de cette approche.

Augmentation du trafic réseau vers et depuis la base de données Airflow

La quantité de trafic réseau entre le cluster GKE de votre environnement et la base de données Airflow dépend du nombre de DAG, du nombre de tâches dans les DAG et de la manière dont les DAG accèdent aux données de la base de données Airflow. Les facteurs suivants peuvent influencer l'utilisation du réseau :

  • Requêtes envoyées à la base de données Airflow. Si vos DAG effectuent de nombreuses requêtes, ils génèrent une grande quantité de trafic. Exemples : vérifier l'état des tâches avant de poursuivre avec d'autres tâches, interroger la table XCom, créer un vidage du contenu de la base de données Airflow.

  • Grand nombre de tâches. Plus le nombre de tâches à planifier est élevé, plus du trafic réseau est généré. Ces considérations s'appliquent au nombre total de tâches dans vos DAG et à la fréquence de planification. Lorsque le programmeur Airflow planifie l'exécution du DAG, il envoie des requêtes à la base de données Airflow et génère du trafic.

  • L'interface Web Airflow génère du trafic réseau, car elle envoie des requêtes à la base de données Airflow. L'utilisation intensive de pages avec des graphiques, des tâches et des schémas peut générer de gros volumes de trafic réseau.

Le DAG entraîne le plantage du serveur Web Airflow ou lui fait renvoyer une erreur 502 gateway timeout

Des défaillances du serveur Web peuvent survenir pour plusieurs raisons. Consultez les journaux airflow-webserver dans Cloud Logging pour déterminer la cause de l'erreur 502 gateway timeout.

Calculs lourds

Cette section ne s'applique qu'à Cloud Composer 1.

Évitez d'exécuter des calculs lourds au moment de l'analyse du DAG.

Contrairement aux nœuds de calcul et de programmeur, dont les types de machines peuvent être personnalisés pour augmenter la capacité de processeur et de mémoire, le serveur Web utilise un type de machine fixe, ce qui peut entraîner des échecs d'analyse du DAG si les calculs effectués au moment de l'analyse sont trop lourds.

Veuillez prendre en compte que le serveur Web dispose de deux processeurs virtuels et de 2 Go de mémoire. La valeur par défaut pour core-dagbag_import_timeout est de 30 secondes. La valeur du délai avant expiration définit la limite supérieure de la durée pendant laquelle Airflow charge un module Python dans le dossier dags/.

Autorisations incorrectes

Cette section ne s'applique qu'à Cloud Composer 1.

Le serveur Web ne s'exécute pas sous le même compte de service que les nœuds de calcul et le planificateur. En tant que tels, les nœuds de calcul et le planificateur peuvent être en mesure d'accéder à des ressources gérées par l'utilisateur auxquelles le serveur Web n'a pas accès.

Nous vous recommandons d'éviter l'accès à des ressources non publiques lors de l'analyse du DAG. Parfois, c'est inévitable et vous devrez accorder des autorisations au compte de service du serveur Web. Le nom du compte de service est dérivé du domaine de serveur Web. Par exemple, si le domaine est example-tp.appspot.com, le compte de service est example-tp@appspot.gserviceaccount.com.

Erreurs du DAG

Cette section ne s'applique qu'à Cloud Composer 1.

Le serveur Web s'exécute sur App Engine et est distinct du cluster GKE de votre environnement. Le serveur Web analyse les fichiers de définition du DAG, et une erreur 502 gateway timeout peut se produire en cas d'erreurs dans le DAG. Airflow fonctionne normalement sans serveur Web fonctionnel si le DAG problématique n'interrompt aucun processus en cours d'exécution dans GKE. Dans ce cas, vous pouvez utiliser gcloud composer environments run pour récupérer des détails de votre environnement et comme solution de contournement si le serveur Web devient indisponible.

Dans d'autres cas, vous pouvez exécuter l'analyse du DAG dans GKE et rechercher les DAG générant des exceptions fatales Python ou ce délai d'expiration (30 secondes par défaut). Pour résoudre ce problème, connectez-vous à une interface système distante dans un conteneur de nœud de calcul Airflow et testez les erreurs de syntaxe. Pour en savoir plus, reportez-vous à la section Tester les DAG.

Gérer un grand nombre de DAG et de plug-ins dans les dossiers de DAG et de plug-ins

Le contenu des dossiers /dags et /plugins est synchronisé entre le bucket de votre environnement et les systèmes de fichiers locaux des nœuds de calcul et des programmeurs Airflow.

Plus il y a de données stockées dans ces dossiers, plus la synchronisation prend du temps. Pour résoudre ce type de situations:

  • Limitez le nombre de fichiers dans les dossiers /dags et /plugins. Ne stockez que le nombre minimal de fichiers requis.

  • Si possible, augmentez l'espace disque disponible pour les programmeurs et les nœuds de calcul Airflow.

  • Si possible, augmentez le nombre de processeurs et la mémoire des programmeurs et des nœuds de calcul Airflow, afin d'accélérer l'opération de synchronisation.

  • Dans le cas d'un très grand nombre de DAG, divisez les DAG en lots, compressez-les en archives ZIP et déployez ces archives dans le dossier /dags. Cette approche accélère le processus de synchronisation des DAG. Les composants Airflow décompressent les archives ZIP avant de traiter les DAG.

  • La génération de DAG dans un programme peut également constituer une méthode permettant de limiter le nombre de fichiers DAG stockés dans le dossier /dags. Consultez la section sur les DAG programmatiques pour éviter les problèmes liés à la planification et à l'exécution des DAG générés de manière automatisée.

Ne pas planifier les DAG générés de manière automatisée en même temps

La génération automatisée d'objets DAG à partir d'un fichier DAG est une méthode efficace pour créer de nombreux DAG similaires qui ne présentent que de légères différences.

Il est important de ne pas programmer immédiatement l'exécution de tous ces DAG. Il est fort probable que les nœuds de calcul Airflow ne disposent pas de suffisamment de ressources de processeur et de mémoire pour exécuter toutes les tâches planifiées en même temps.

Pour éviter les problèmes de planification des DAG programmatiques:

  • Augmentez la simultanéité des nœuds de calcul et effectuez un scaling à la hausse de votre environnement, afin qu'il puisse exécuter davantage de tâches simultanément.
  • Générez des DAG de manière à répartir leurs planifications de manière uniforme dans le temps, afin d'éviter de planifier des centaines de tâches en même temps et de laisser aux nœuds de calcul Airflow le temps d'exécuter toutes les tâches planifiées.

Erreur 504 lors de l'accès au serveur Web Airflow

Consultez la section Erreur 504 lors de l'accès à l'interface utilisateur d'Airflow.

L'exception Lost connection to Postgres server during query est générée pendant ou juste après l'exécution de la tâche.

Les exceptions Lost connection to Postgres server during query se produisent souvent lorsque les conditions suivantes sont remplies:

  • Votre DAG utilise PythonOperator ou un opérateur personnalisé.
  • Votre DAG envoie des requêtes à la base de données Airflow.

Si plusieurs requêtes sont effectuées à partir d'une fonction appelable, les traces peuvent pointer vers la ligne self.refresh_from_db(lock_for_update=True) dans le code Airflow de manière incorrecte car il s'agit de la première requête de base de données après l'exécution de la tâche. La cause réelle de l'exception se produit avant, lorsqu'une session SQLAlchemy n'est pas correctement fermée.

Les sessions SQLAlchemy s'appliquent à un thread et sont créées dans une session de fonction appelable qui peut ensuite être prolongée dans le code Airflow. S'il existe des délais importants entre les requêtes au sein d'une session, il est possible que la connexion soit déjà fermée par le serveur Postgres. Le délai avant expiration de la connexion dans les environnements Cloud Composer est d'environ 10 minutes.

Correctif :

  • Utilisez le décorateur airflow.utils.db.provide_session. Ce décorateur fournit une session valide à la base de données Airflow dans le paramètre session et ferme correctement la session à la fin de la fonction.
  • N'utilisez pas une seule fonction de longue durée. Déplacez plutôt toutes les requêtes de base de données vers des fonctions distinctes, afin qu'il existe plusieurs fonctions avec le décorateur airflow.utils.db.provide_session. Dans ce cas, les sessions sont automatiquement fermées après la récupération des résultats de la requête.

Contrôler le temps d'exécution des DAG, des tâches et des exécutions parallèles d'un même DAG

Si vous souhaitez contrôler la durée d'exécution d'un DAG spécifique pour un DAG particulier, vous pouvez utiliser le paramètre DAG dagrun_timeout. Par exemple, si vous vous attendez à ce qu'une seule exécution du DAG (que l'exécution se termine par une réussite ou un échec) ne doit pas durer plus d'une heure, définissez ce paramètre sur 3 600 secondes.

Vous pouvez également contrôler la durée d'une tâche Airflow. Pour ce faire, vous pouvez utiliser execution_timeout.

Si vous souhaitez contrôler le nombre d'exécutions de DAG actives dont vous avez besoin pour un DAG particulier, vous pouvez utiliser l'option de configuration Airflow [core]max-active-runs-per-dag.

Si vous souhaitez qu'une seule instance d'un DAG s'exécute à un moment donné, définissez le paramètre max-active-runs-per-dag sur 1.

Problèmes affectant la synchronisation des DAG et des plug-ins avec les planificateurs, les nœuds de calcul et les serveurs Web

Cloud Composer synchronise le contenu des dossiers /dags et /plugins avec les programmeurs et les nœuds de calcul. Certains objets des dossiers /dags et /plugins peuvent empêcher cette synchronisation de fonctionner correctement ou au moins la ralentir.

  • Le dossier /dags est synchronisé avec les planificateurs et les nœuds de calcul. Ce dossier n'est pas synchronisé avec les serveurs Web dans Cloud Composer 2 ou si vous activez DAG Serialization dans Cloud Composer 1.

  • Le dossier /plugins est synchronisé avec les programmeurs, les nœuds de calcul et les serveurs Web.

Il se peut que vous rencontriez les problèmes suivants:

  • Vous avez importé des fichiers compressés avec gzip qui utilisent le transcodage par compression dans les dossiers /dags et /plugins. Cela se produit généralement lorsque vous utilisez la commande gsutil cp -Z pour importer des données dans le bucket.

    Solution: supprimez l'objet qui a utilisé le transcodage par compression, puis réimportez-le dans le bucket.

  • L'un des objets s'appelle ".". Il n'est pas synchronisé avec les planificateurs et les nœuds de calcul, et peut ne plus se synchroniser.

    Solution: renommez l'objet problématique.

  • Un dossier et un fichier Python DAG portent les mêmes noms, par exemple a.py. Dans ce cas, le fichier DAG n'est pas correctement synchronisé avec les composants Airflow.

    Solution: supprimez le dossier portant le même nom qu'un fichier DAG Python.

  • Le nom de l'un des objets des dossiers /dags ou /plugins contient un symbole /. De tels objets peuvent induire en erreur le processus de synchronisation, car le symbole / signifie qu'un objet est un dossier et non un fichier.

    Solution: supprimez le symbole / du nom de l'objet problématique.

  • Ne stockez pas de fichiers inutiles dans les dossiers /dags et /plugins.

    Les DAG et les plug-ins que vous implémentez sont parfois accompagnés de fichiers supplémentaires, tels que des fichiers stockant les tests de ces composants. Ces fichiers sont synchronisés avec les nœuds de calcul et les planificateurs, et ont un impact sur le temps nécessaire à la copie de ces fichiers sur les planificateurs, les nœuds de calcul et les serveurs Web.

    Solution: ne stockez pas de fichiers supplémentaires et inutiles dans les dossiers /dags et /plugins.

L'erreur Done [Errno 21] Is a directory: '/home/airflow/gcs/dags/...' est générée par les programmeurs et les nœuds de calcul

Ce problème est dû au fait que l'espace de noms des objets peut se chevaucher dans Cloud Storage, tandis que les programmeurs et les nœuds de calcul utilisent des systèmes de fichiers traditionnels. Par exemple, il est possible d'ajouter un dossier et un objet portant le même nom au bucket d'un environnement. Lorsque le bucket est synchronisé avec les planificateurs et les nœuds de calcul de l'environnement, cette erreur est générée, ce qui peut entraîner des échecs de tâches.

Pour résoudre ce problème, assurez-vous que les espaces de noms ne se chevauchent pas dans le bucket de l'environnement. Par exemple, si /dags/misc (un fichier) et /dags/misc/example_file.txt (un autre fichier) se trouvent dans un bucket, une erreur est générée par le programmeur.

Interruptions temporaires lors de la connexion à la base de données de métadonnées Airflow

Cloud Composer s'exécute sur une infrastructure cloud distribuée. Cela signifie que de temps en temps, des problèmes temporaires peuvent apparaître et interrompre l'exécution de vos tâches Airflow.

Dans ce cas, les messages d'erreur suivants peuvent s'afficher dans les journaux des nœuds de calcul Airflow:

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

ou

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

De tels problèmes intermittents peuvent également être causés par des opérations de maintenance effectuées pour vos environnements Cloud Composer.

Généralement, ces erreurs sont intermittentes. Si vos tâches Airflow sont idempotentes et que vous avez configuré de nouvelles tentatives, vous ne devriez pas les subir. Vous pouvez également envisager de définir des intervalles de maintenance.

Le manque de ressources dans le cluster de votre environnement peut également s'expliquer par de telles erreurs. Dans ce cas, vous pouvez augmenter ou optimiser votre environnement, comme décrit dans les instructions Effectuer le scaling d'environnements ou Optimiser votre environnement.

Une exécution du DAG est marquée comme ayant réussi, mais n'a aucune tâche exécutée

Si la valeur execution_date d'une exécution du DAG est antérieure à la valeur start_date du DAG, vous pouvez voir des exécutions de DAG n'ayant aucune exécution de tâche, mais qui sont tout de même marquées comme réussies.

Exécution réussie d&#39;un DAG sans tâches exécutées
Figure 3 : Une exécution de DAG ayant réussi sans tâches exécutées (cliquez pour agrandir)

Cause

Cette situation peut se produire dans l'un des cas suivants:

  • Une incohérence est due à la différence de fuseau horaire entre les champs execution_date et start_date du DAG. Cela peut se produire, par exemple, lorsque vous utilisez pendulum.parse(...) pour définir start_date.

  • Le start_date du DAG est défini sur une valeur dynamique, par exemple airflow.utils.dates.days_ago(1)

Solution

  • Assurez-vous que execution_date et start_date utilisent le même fuseau horaire.

  • Spécifiez un start_date statique et combinez-le avec catchup=False pour éviter d'exécuter des DAG avec des dates de début passées.

Un DAG n'est pas visible dans l'interface utilisateur d'Airflow ou de DAG, et le programmeur ne le programme pas

Le processeur DAG analyse chaque DAG avant qu'il puisse être planifié par le programmeur et avant qu'un DAG ne soit visible dans l'interface utilisateur Airflow ou l'interface utilisateur du DAG.

Les options de configuration Airflow suivantes définissent les délais avant expiration pour l'analyse des DAG:

Si un DAG n'est pas visible dans l'interface utilisateur d'Airflow ou du DAG:

  • Vérifiez les journaux du processeur DAG s'il est en mesure de traiter correctement votre DAG. En cas de problèmes, les entrées de journal suivantes peuvent s'afficher dans les journaux du processeur ou du programmeur 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.
  • Consultez les journaux du programmeur pour vérifier qu'il fonctionne correctement. En cas de problème, les entrées suivantes peuvent s'afficher dans les journaux du programmeur:
DagFileProcessorManager (PID=732) last sent a heartbeat 240.09 seconds ago! Restarting it
Process timed out, PID: 68496

Solutions :

  • Corrigez toutes les erreurs d'analyse du DAG. Le processeur DAG analyse plusieurs DAG et, dans de rares cas, l'analyse des erreurs d'un DAG peut avoir un impact négatif sur l'analyse des autres DAG.

  • Si l'analyse de votre DAG dure plus longtemps que le nombre de secondes défini dans [core]dagrun_import_timeout, augmentez ce délai avant expiration.

  • Si l'analyse de tous vos DAG dure plus longtemps que le nombre de secondes défini dans [core]dag_file_processor_timeout, augmentez ce délai avant expiration.

  • Si l'analyse de votre DAG prend beaucoup de temps, cela peut également signifier qu'il n'est pas mis en œuvre de manière optimale. C'est le cas, par exemple, s'il lit de nombreuses variables d'environnement ou effectue des appels vers des services externes ou une base de données Airflow. Dans la mesure du possible, évitez d'effectuer ces opérations dans les sections globales des DAG.

  • Augmentez les ressources de processeur et de mémoire du programmeur afin qu'il puisse fonctionner plus rapidement.

  • Ajustez le nombre de programmeurs.

  • Augmenter le nombre de processus de processeur DAG afin d'accélérer l'analyse. Pour ce faire, augmentez la valeur de [scheduler]parsing_process.

  • Réduisez la fréquence d'analyse du DAG.

  • Réduisez la charge sur la base de données Airflow.

Symptômes d'une base de données Airflow soumise à une charge importante

Pour en savoir plus, consultez la page Symptômes d'une surcharge de la base de données Airflow.

Étapes suivantes