Como solucionar problemas de DAGs

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Nesta página, você verá etapas de solução de problemas e informações para problemas comuns do fluxo de trabalho.

Muitos problemas de execução de DAGs são causados por desempenho de ambiente não ideal. Para otimizar o ambiente do Cloud Composer 2, siga o guia Otimizar o desempenho e os custos do ambiente.

Alguns problemas de execução do DAG podem ser causados pelo programador do Airflow não estar funcionando corretamente ou de maneira ideal. Siga as instruções de solução de problemas do Programador para resolver a situação.

Como resolver problemas do fluxo de trabalho

Para começar a solução de problemas, siga estes passos:

  1. Verifique os registros do Airflow.

    É possível aumentar o nível de geração de registros do Airflow substituindo a seguinte opção de configuração do Airflow.

    Airflow 2

    Seção Chave Valor
    logging logging_level O valor padrão é INFO. Defina como DEBUG para exibir mais detalhes nas mensagens de registro.

    Airflow 1

    Seção Chave Valor
    core logging_level O valor padrão é INFO. Defina como DEBUG para exibir mais detalhes nas mensagens de registro.

  2. Verifique o painel de monitoramento.

  3. Revise o Cloud Monitoring.

  4. No console do Google Cloud, verifique se há erros nas páginas dos componentes do seu ambiente.

  5. Na interface da Web do Airflow, verifique na visualização de gráfico do DAG se há instâncias de tarefa com falha.

    Seção Chave Valor
    webserver dag_orientation LR, TB, RL ou BT

Como depurar falhas do operador

Para depurar uma falha do operador, siga estes passos:

  1. Verifique se há erros específicos da tarefa.
  2. Verifique os registros do Airflow.
  3. Revise o Cloud Monitoring.
  4. Verifique os registros específicos do operador.
  5. Corrija os erros.
  6. Faça upload do DAG para a pasta dags/.
  7. Na interface da Web do Airflow, limpe os estados anteriores do DAG.
  8. Execute o DAG ou retome esse processo.

Solução de problemas na execução de tarefas

O Airflow é um sistema distribuído com muitas entidades, como programador, executor e workers, que se comunicam entre si por meio de uma fila de tarefas e do banco de dados do Airflow e enviam sinais (como SIGTERM). O diagrama a seguir mostra uma visão geral das interconexões entre os componentes do Airflow.

Interação entre componentes do Airflow
Figura 1. Interação entre componentes do Airflow (clique para ampliar)

Em um sistema distribuído como o Airflow, pode haver alguns problemas de conectividade de rede ou a infraestrutura subjacente pode apresentar problemas intermitentes. Isso pode levar a situações em que as tarefas podem falhar e ser reprogramadas para execução, ou as tarefas podem não ser concluídas com êxito (por exemplo, tarefas zumbis ou tarefas que ficaram travadas na execução). O Airflow tem mecanismos para lidar com essas situações e retomar o funcionamento normal automaticamente. As seções a seguir explicam problemas comuns que ocorrem durante a execução de tarefas pelo Airflow: tarefas zumbis, Poison Pills e sinais SIGTERM.

Solução de problemas de tarefas zumbis

O Airflow detecta dois tipos de incompatibilidade entre uma tarefa e um processo que a executa:

  • As tarefas zombie são tarefas que deveriam estar em execução, mas não estão. Isso pode acontecer se o processo da tarefa tiver sido encerrado ou não estiver respondendo, se o worker do Airflow não tiver relatado um status de tarefa a tempo por estar sobrecarregado ou se a VM em que a tarefa é executada tiver sido encerrada. O Airflow encontra essas tarefas periodicamente e falha ou tenta novamente a tarefa, dependendo das configurações da tarefa.

    Descubra tarefas zumbi

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

  • Tarefas não inativas são tarefas que não podem estar em execução. O Airflow encontra essas tarefas periodicamente e as encerra.

Os motivos e as soluções mais comuns para tarefas zumbis estão listados abaixo.

O worker do Airflow ficou sem memória

Cada worker do Airflow pode executar até [celery]worker_concurrency instâncias de tarefas simultaneamente. Se o consumo de memória cumulativo dessas instâncias de tarefa exceder o limite de memória de um worker do Airflow, um processo aleatório será encerrado para liberar recursos.

Descobrir eventos de falta de memória do worker do Airflow

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

Soluções:

O worker do Airflow foi removido

As remoções de pods são parte normal da execução de cargas de trabalho no Kubernetes. O GKE remove pods se eles ficarem sem armazenamento ou para liberar recursos para cargas de trabalho com prioridade mais alta.

Descobrir remoções de workers do Airflow

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

Soluções:

O worker do Airflow foi encerrado

Os workers do Airflow podem ser removidos externamente. Se as tarefas em execução no momento não forem concluídas durante um período de encerramento normal, elas serão interrompidas e poderão acabar sendo detectadas como zumbis.

descobrir encerramentos de pods de workers do Airflow

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

Possíveis cenários e soluções:

  • Os workers do Airflow são reiniciados durante modificações no ambiente, como upgrades ou instalação de pacotes:

    Descobrir modificações no ambiente do Composer

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

    É possível executar essas operações quando nenhuma tarefa crítica estiver em execução ou permitir novas tentativas de tarefas.

  • Vários componentes podem ficar temporariamente indisponíveis durante as operações de manutenção:

    Descubra as operações de manutenção do GKE

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

    É possível especificar janelas de manutenção para minimizar as sobreposições com a execução de tarefas críticas.

  • Nas versões 2 do Cloud Composer anteriores à 2.4.5, um worker de encerramento do Airflow pode ignorar o sinal SIGTERM e continuar executando tarefas:

    Descubra como reduzir a escala vertical pelo escalonamento automático do Composer

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

    É possível fazer upgrade para uma versão posterior do Cloud Composer em que esse problema tenha sido corrigido.

O worker do Airflow estava sobrecarregado

A quantidade de recursos de CPU e memória disponíveis para um worker do Airflow é limitada pela configuração do ambiente. Se uma utilização se aproximar dos limites, isso causará uma contenção de recursos e atrasos desnecessários durante a execução da tarefa. Em situações extremas, quando faltam recursos durante períodos mais longos, isso pode causar tarefas zumbi.

Soluções:

O banco de dados do Airflow estava sobrecarregado

Um banco de dados é usado por vários componentes do Airflow para se comunicar entre si e, principalmente, para armazenar os sinais de funcionamento das instâncias de tarefa. A escassez de recursos no banco de dados levará a tempos de consulta mais longos e poderá afetar a execução de uma tarefa.

Soluções:

O banco de dados do Airflow estava temporariamente indisponível

Um worker do Airflow pode levar algum tempo para detectar e lidar com erros intermitentes, como problemas temporários de conectividade. Pode exceder o limite padrão de detecção de zumbis.

Descobrir tempos limite do sinal de funcionamento do Airflow

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

Soluções:

  • Aumente o tempo limite das tarefas zumbi e substitua o valor da opção [scheduler]scheduler_zombie_task_threshold de configuração do Airflow:

    Seção Chave Valor Observações
    scheduler scheduler_zombie_task_threshold Novo tempo limite (em segundos) O valor padrão é 300

Solução de problemas do Veneno Pill

O Poison Pill é um mecanismo usado pelo Airflow para encerrar tarefas do Airflow.

O Airflow usa o Poison Pill nestas situações:

  • Quando um programador encerra uma tarefa que não foi concluída a tempo.
  • Quando uma tarefa expira ou é executada por muito tempo.

Quando o Airflow usa o Poison Pill, as seguintes entradas de registro aparecem nos registros de um worker do Airflow que executou a tarefa:

  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.

Soluções possíveis:

  • Verifique se há erros no código da tarefa que possam fazer com que ela seja executada por muito tempo.
  • (Cloud Composer 2) Aumente a CPU e a memória dos workers do Airflow para que as tarefas sejam executadas mais rapidamente.

  • Aumente o valor da opção de configuração [celery_broker_transport_options]visibility-timeout do Airflow.

    Como resultado, o programador espera mais tempo para que uma tarefa seja concluída, antes de considerar que ela é uma tarefa zumbi. Essa opção é especialmente útil para tarefas demoradas que duram muitas horas. Se o valor for muito baixo (por exemplo, 3 horas), o programador vai considerar as tarefas executadas por 5 ou 6 horas como "interrompidas" (tarefas zumbis).

  • Aumente o valor da opção de configuração [core]killed_task_cleanup_time do Airflow.

    Um valor maior dá mais tempo para que os workers do Airflow concluam as tarefas sem problemas. Se o valor for muito baixo, as tarefas do Airflow poderão ser interrompidas abruptamente, sem tempo suficiente para concluir o trabalho sem problemas.

Solução de problemas de sinais SIGTERM

Os indicadores SIGTERM são usados pelo Linux, Kubernetes, programador do Airflow e Celery para encerrar processos responsáveis pela execução de workers ou tarefas do Airflow.

Pode haver vários motivos para os sinais SIGTERM serem enviados em um ambiente:

  • Uma tarefa se tornou uma tarefa zumbi e precisa ser interrompida.

  • O programador descobriu uma cópia de uma tarefa e envia os sinais Poison Pill e SIGTERM à tarefa para interrompê-la.

  • No escalonamento automático horizontal de pods, o plano de controle do GKE envia sinais SIGTERM para remover pods que não são mais necessários.

  • O programador pode enviar sinais SIGTERM para o processo DagFileProcessorManager. Esses sinais SIGTERM são usados pelo Programador para gerenciar o ciclo de vida do processo DAGFileProcessorManager e podem ser ignorados com segurança.

    Exemplo:

    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.

  • Disputa entre o callback do sinal de funcionamento e os callbacks de saída no local_task_job, que monitora a execução da tarefa. Se o sinal de funcionamento detectar que uma tarefa foi marcada como bem-sucedida, ele não poderá distinguir se a tarefa foi bem-sucedida ou se o Airflow foi instruído a considerá-la como bem-sucedida. No entanto, ele encerrará um executor de tarefas, sem esperar que ele seja encerrado.

    Esses sinais SIGTERM podem ser ignorados com segurança. A tarefa já está no estado bem-sucedido, e a execução do DAG como um todo não será afetada.

    A entrada de registro Received SIGTERM. é a única diferença entre a saída regular e o encerramento da tarefa no estado bem-sucedido.

    Disputa entre o sinal de funcionamento e os callbacks de saída
    Figura 2. Disputa entre o sinal de funcionamento e os callbacks de saída (clique para ampliar)

  • Um componente do Airflow usa mais recursos (CPU, memória) do que o permitido pelo nó do cluster.

  • O serviço do GKE realiza operações de manutenção e envia sinais SIGTERM para pods em execução em um nó que está prestes a ser atualizado. Quando uma instância de tarefa é encerrada com SIGTERM, é possível ver as seguintes entradas de registro nos registros de um worker do Airflow que executou a tarefa:

{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

Soluções possíveis:

Esse problema acontece quando uma VM que executa a tarefa está sem memória. Isso não está relacionado às configurações do Airflow, mas à quantidade de memória disponível para a VM.

O aumento da memória depende da versão do Cloud Composer usada. Exemplo:

  • No Cloud Composer 2, é possível atribuir mais recursos de CPU e memória aos workers do Airflow.

  • No caso do Cloud Composer 1, é possível recriar o ambiente usando um tipo de máquina com mais desempenho.

  • Nas duas versões do Cloud Composer, é possível diminuir o valor da opção de configuração de simultaneidade do Airflow para [celery]worker_concurrency. Essa opção determina quantas tarefas são executadas simultaneamente por um determinado worker do Airflow.

Para mais informações sobre como otimizar o ambiente do Cloud Composer 2, consulte Como otimizar o desempenho e os custos do ambiente.

O Cloud Logging faz consultas para descobrir os motivos das reinicializações ou remoções de pods

Os ambientes do Cloud Composer usam clusters do GKE como camada de infraestrutura de computação. Nesta seção, você encontrará consultas úteis que podem ajudar a encontrar motivos para reinicializações ou remoções do worker ou do programador do Airflow.

As consultas apresentadas abaixo podem ser ajustadas da seguinte maneira:

  • você pode especificar uma linha do tempo interessante no Cloud Logging. Por exemplo, os últimos 6 horas ou 3 dias,

  • especifique o CLUSTER_NAME do Cloud Composer

  • também é possível limitar a pesquisa a um pod específico adicionando o POD_NAME

Descobrir contêineres reiniciados

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

Consulta alternativa para limitar os resultados a um pod específico:

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

Descobrir contêineres que foram encerrados como resultado de um evento de falta de memória.

    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 os resultados a um 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"

Descobrir contêineres que pararam de ser executados

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

Consulta alternativa para limitar os resultados a um pod específico:

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

Impacto das operações de atualização ou upgrade nas execuções de tarefas do Airflow

As operações de atualização ou upgrade interrompem a execução de tarefas do Airflow no momento, a menos que elas sejam executadas no modo adiável.

Recomendamos realizar essas operações quando você espera um impacto mínimo nas execuções de tarefas do Airflow e configure mecanismos de repetição apropriados nos DAGs e nas tarefas.

Como solucionar problemas de tarefas KubernetesExecutor

O CeleryKubernetesExecutor é um tipo de executor no Cloud Composer 3 que pode usar o CeleryExecutor e o KubernetesExecutor ao mesmo tempo.

Consulte a página Usar CeleryKubernetesExecutor para mais informações sobre como solucionar problemas de tarefas executadas com o KubernetesExecutor.

Problemas comuns

Nas seções a seguir, você encontra descrições dos sintomas e possíveis correções de alguns problemas comuns do DAG.

A tarefa do Airflow foi interrompida por Negsignal.SIGKILL

Às vezes, sua tarefa pode estar usando mais memória do que o worker do Airflow está alocado. Nessa situação, ele pode ser interrompido por Negsignal.SIGKILL. O sistema envia esse sinal para evitar mais consumo de memória, o que pode afetar a execução de outras tarefas do Airflow. No registro do worker do Airflow, pode aparecer a seguinte entrada de registro:

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

Negsignal.SIGKILL também pode aparecer como código -9.

Soluções possíveis:

  • Menor worker_concurrency de workers do Airflow.

  • No caso do Cloud Composer 2, aumente a memória dos workers do Airflow.

  • No caso do Cloud Composer 1, faça upgrade para um tipo de máquina maior usado no cluster do Cloud Composer.

  • Otimize suas tarefas para usar menos memória.

  • Gerencie tarefas com uso intensivo de recursos no Cloud Composer usando KubernetesPodOperator ou GKEStartPodOperator para isolamento de tarefas e alocação de recursos personalizada.

A tarefa falha sem emitir registros devido a erros de análise do DAG

Às vezes, podem ocorrer erros sutis de DAG que levam a uma situação em que um programador do Airflow e um processador de DAG podem agendar tarefas para execução e analisar um arquivo DAG (respectivamente), mas o worker do Airflow não consegue executar tarefas desse DAG, porque há erros de programação no arquivo DAG Python. Isso pode levar a uma situação em que uma tarefa do Airflow é marcada como Failed e não há registro da execução dela.

Soluções:

  • Verifique nos registros de workers do Airflow se não há erros gerados pelo worker do Airflow relacionados a erros de análise de DAG ou DAG ausentes.

  • Aumente os parâmetros relacionados à análise do DAG:

    • Aumente dagbag-import-timeout para pelo menos 120 segundos (ou mais, se necessário).

    • Aumente o dag-file-processor-timeout para pelo menos 180 segundos (ou mais, se necessário). Esse valor precisa ser maior que dagbag-import-timeout.

  • Consulte também Como inspecionar registros do processador de DAG.

A tarefa falha sem emitir registros devido à pressão de recursos

Sintoma: durante a execução de uma tarefa, o subprocesso do worker do Airflow responsável pela execução da tarefa do Airflow é interrompido abruptamente. O erro visível no registro do worker do Airflow pode ser semelhante a este:

...
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
...

Solução:

A tarefa falha sem emitir registros devido à remoção do pod

Os pods do Google Kubernetes Engine estão sujeitos ao ciclo de vida do pod do Kubernetes e à remoção deles. Picos de tarefas e co-programação de workers são as duas causas mais comuns de remoção de pods no Cloud Composer.

A remoção de pods pode ocorrer quando um determinado pod usa em excesso os recursos de um nó, em relação às expectativas de consumo de recursos configuradas para o nó. Por exemplo, a remoção pode acontecer quando várias tarefas com uso intenso de memória são executadas em um pod, e a carga combinada faz com que o nó em que o pod é executado exceda o limite de consumo de memória.

Se um pod de worker do Airflow for removido, todas as instâncias de tarefas em execução nele serão interrompidas e, posteriormente, marcadas como com falha pelo Airflow.

Os registros são armazenados em buffer. Se um pod de worker for removido antes da limpeza do buffer, os registros não serão emitidos. Quando uma tarefa falha sem emitir registros, isso indica que os workers do Airflow serão reiniciados devido à falta de memória (OOM, na sigla em inglês). Alguns registros podem estar presentes no Cloud Logging mesmo que os registros do Airflow não tenham sido emitidos.

Para conferir os registros:

  1. No console do Google Cloud, acesse a página Ambientes.

    Acessar "Ambientes"

  2. Na lista de ambientes, clique no nome do ambiente. A página Detalhes do ambiente é aberta.

  3. Acesse a guia Registros.

  4. Veja os registros de workers individuais em Todos os registros -> Registros do Airflow -> Workers -> (worker individual).

A execução do DAG é limitada pela memória. Todas as tarefas são iniciadas com dois processos do Airflow: execução de tarefa e monitoramento. Cada nó aceita até seis tarefas simultâneas, com aproximadamente 12 processos carregados com módulos do Airflow. É possível que mais memória seja consumida dependendo da natureza do DAG.

Sintoma:

  1. No console do Google Cloud, acesse a página Cargas de trabalho.

    Acesse "Cargas de trabalho"

  2. Se houver pods airflow-worker que mostrem Evicted, clique em cada pod removido e procure a mensagem The node was low on resource: memory na parte superior da janela.

Corrigir:

  • No Cloud Composer 1, crie um novo ambiente do Cloud Composer com um tipo de máquina maior que o atual.
  • No Cloud Composer 2, aumente os limites de memória para workers do Airflow.
  • Verifique os registros de pods airflow-worker para encontrar possíveis causas de remoção. Para mais informações sobre como buscar registros de pods individuais, consulte Como solucionar problemas com cargas de trabalho implantadas.
  • Confira se as tarefas no DAG são idempotentes e podem ser repetidas.

  • Evite fazer o download de arquivos desnecessários para o sistema de arquivos local dos workers do Airflow.

    Os workers do Airflow têm capacidade limitada de sistema de arquivos local. Por exemplo, no Cloud Composer 2, um worker pode ter de 1 GB a 10 GB de armazenamento. Quando o espaço de armazenamento acaba, o pod de worker do Airflow é removido pelo plano de controle do GKE. Isso causará a falha de todas as tarefas que o worker despejado estava executando.

    Exemplos de operações com problemas:

    • fazer o download de arquivos ou objetos e armazená-los localmente em um worker do Airflow; Em vez disso, armazene esses objetos diretamente em um serviço adequado, como um bucket do Cloud Storage.
    • Acessar objetos grandes na pasta /data por um worker do Airflow. O worker do Airflow faz o download do objeto para o sistema de arquivos local. Em vez disso, implemente os DAGs para que arquivos grandes sejam processados fora do pod de worker do Airflow.

A importação da carga do DAG atingiu o tempo limite

Sintoma:

  • Na interface da Web do Airflow, na parte superior da página da lista de DAGs, uma caixa alerta vermelho mostra Broken DAG: [/path/to/dagfile] Timeout.

  • No Cloud Monitoring: os registros airflow-scheduler contêm entradas semelhantes a estas:

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

Corrigir:

Substitua a opção de configuração dag_file_processor_timeout do Airflow e permita mais tempo para a análise do DAG:

Seção Chave Valor
core dag_file_processor_timeout Novo valor de tempo limite

A execução do DAG não termina dentro do tempo esperado

Sintoma:

Às vezes, uma execução do DAG não termina porque as tarefas do Airflow ficam travadas e a execução dele dura mais do que o esperado. Em condições normais, as tarefas do Airflow não permanecem indefinidamente no estado de fila ou de execução, porque o Airflow tem tempo limite e procedimentos de limpeza que ajudam a evitar essa situação.

Corrigir:

  • Use o parâmetro dagrun_timeout para os DAGs. Por exemplo: dagrun_timeout=timedelta(minutes=120). Como resultado, cada execução do DAG precisa ser concluída dentro do tempo limite de execução do DAG, e as tarefas não concluídas são marcadas como Failed ou Upstream Failed. Para mais informações sobre estados de tarefas do Airflow, consulte a documentação do Apache Airflow.

  • Use o parâmetro tempo limite de execução da tarefa para definir um tempo limite padrão para tarefas executadas com base em operadores do Apache Airflow.

Execuções do DAG não executadas

Sintoma:

Quando uma data de programação para um DAG é definida dinamicamente, isso pode causar vários efeitos colaterais inesperados. Exemplo:

  • Uma execução do DAG está sempre no futuro, e o DAG nunca é executado.

  • As execuções anteriores do DAG são marcadas como executadas e bem-sucedidas, mesmo não sendo executadas.

Mais informações estão disponíveis na documentação do Apache Airflow.

Corrigir:

  • Siga as recomendações na documentação do Apache Airflow.

  • Definir start_date estático para DAGs. Como opção, use catchup=False para desativar a execução do DAG de datas passadas.

  • Evite usar datetime.now() ou days_ago(<number of days>), a menos que você conheça os efeitos colaterais dessa abordagem.

Aumento do tráfego de rede de entrada e saída do banco de dados do Airflow

A quantidade de rede de tráfego entre o cluster do GKE do ambiente e o banco de dados do Airflow depende do número de DAGs, do número de tarefas nos DAGs e da maneira como os DAGs acessam os dados no banco de dados. Os fatores a seguir podem influenciar o uso da rede:

  • Consultas no banco de dados do Airflow. Se os DAGs fazem muitas consultas, eles geram grandes quantidades de tráfego. Exemplos: verificação do status de tarefas antes de prosseguir com outras tarefas, consultar a tabela XCom, despejar conteúdo do banco de dados do Airflow.

  • Um grande número de tarefas. Quanto mais tarefas houver para programar, mais tráfego de rede será gerado. Essa consideração se aplica ao número total de tarefas nos DAGs e à frequência de programação. Quando o programador do Airflow programa as execuções de DAG, ele faz consultas no banco de dados do Airflow e gera tráfego.

  • A interface da Web do Airflow gera tráfego de rede porque faz consultas ao banco de dados. O uso intenso de páginas com gráficos, tarefas e diagramas pode gerar grandes volumes de tráfego de rede.

O DAG falha no servidor da Web do Airflow ou faz com que ele retorne um erro 502 gateway timeout

As falhas do servidor da Web podem ocorrer por diversos motivos. Verifique os registros do airflow-webserver no Cloud Logging para determinar a causa do erro 502 gateway timeout.

Computação pesada

Esta seção se aplica apenas ao Cloud Composer 1.

Evite executar computação pesada durante a análise do DAG.

Ao contrário dos nós de worker e de programador, em que os tipos de máquina podem ser personalizados para ter maior capacidade de CPU e memória, o servidor da Web usa um tipo de máquina fixo, o que pode causar falhas na análise do DAG se o cálculo do tempo de análise for muito pesado.

O servidor da Web tem duas vCPUs e 2 GB de memória. O valor padrão para core-dagbag_import_timeout é de 30 segundos. Esse valor de tempo limite define o limite máximo de quanto tempo o Airflow gasta carregando um módulo do Python na pasta dags/.

Permissões incorretas

Esta seção se aplica apenas ao Cloud Composer 1.

O servidor da Web não é executado na mesma conta de serviço que os workers e o programador. Assim, eles podem acessar recursos gerenciados pelo usuário a que o servidor não tem acesso.

Recomendamos que você evite acessar recursos que não sejam públicos durante a análise do DAG. Às vezes, isso é inevitável, e você precisará conceder permissões à conta de serviço do servidor da Web. O nome da conta de serviço é derivado do domínio do servidor da Web. Por exemplo, se o domínio for example-tp.appspot.com, a conta de serviço será example-tp@appspot.gserviceaccount.com.

Erros do DAG

Esta seção se aplica apenas ao Cloud Composer 1.

O servidor da Web é executado no App Engine e fica separado do cluster do GKE do ambiente. O servidor da Web analisa os arquivos de definição do DAG, e um 502 gateway timeout pode ocorrer se houver erros no DAG. O Airflow funciona normalmente sem um servidor da Web funcional se o DAG problemático não estiver interrompendo nenhum processo em execução no GKE. Nesse caso, é possível usar gcloud composer environments run para recuperar detalhes do ambiente e como uma solução alternativa se o servidor da Web ficar indisponível.

Em outros casos, é possível executar a análise do DAG no GKE, além de pesquisar os DAGs que causam exceções fatais do Python ou esse tempo limite (padrão de 30 segundos). Para resolver os problemas, conecte-se a um shell remoto em um contêiner de worker do Airflow e teste os erros de sintaxe. Para mais informações, consulte Como testar DAGs.

Gerenciar um grande número de DAGs e plug-ins em pastas de DAGs e plug-ins

O conteúdo das pastas /dags e /plugins é sincronizado do bucket do ambiente para os sistemas de arquivos locais de workers e programadores do Airflow.

Quanto mais dados forem armazenados nessas pastas, mais tempo levará para realizar a sincronização. Para lidar com essas situações:

  • Limite o número de arquivos nas pastas /dags e /plugins. Armazene apenas o mínimo de arquivos necessários.

  • Se possível, aumente o espaço em disco disponível para os programadores e os workers do Airflow.

  • Se possível, aumente a CPU e a memória dos workers e programadores do Airflow para que a operação de sincronização seja executada mais rapidamente.

  • No caso de um número muito grande de DAGs, divida-os em lotes, compacte-os em arquivos ZIP e implante-os na pasta /dags. Essa abordagem acelera o processo de sincronização de DAGs. Os componentes do Airflow descompactam arquivos ZIP antes de processar os DAGs.

  • A geração de DAGs em uma programática também pode ser um método para limitar o número de arquivos DAG armazenados na pasta /dags. Consulte a seção sobre DAGs programáticos para evitar problemas com a programação e a execução de DAGs gerados programaticamente.

Não programe DAGs gerados de maneira programática ao mesmo tempo

Gerar objetos DAG de maneira programática com base em um arquivo DAG é um método eficiente para criar muitos DAGs semelhantes que têm apenas pequenas diferenças.

É importante não programar todos esses DAGs para execução imediatamente. Há uma grande chance de que os workers do Airflow não tenham recursos de CPU e memória suficientes para executar todas as tarefas programadas ao mesmo tempo.

Para evitar problemas com a programação de DAGs programáticos, faça o seguinte:

  • Aumente a simultaneidade de workers e escalonar verticalmente seu ambiente para que ele possa executar mais tarefas simultaneamente.
  • Gere DAGs de modo a distribuir as programações de maneira uniforme ao longo do tempo para evitar a programação de centenas de tarefas ao mesmo tempo. Assim, os workers do Airflow terão tempo de executar todas as tarefas programadas.

Erro 504 ao acessar o servidor da Web do Airflow

Consulte o Erro 504 ao acessar a interface do Airflow.

A exceção Lost connection to Postgres server during query é gerada durante a execução da tarefa ou logo depois dela

As exceções Lost connection to Postgres server during query geralmente acontecem quando as seguintes condições são atendidas:

  • O DAG usa PythonOperator ou um operador personalizado.
  • O DAG faz consultas no banco de dados do Airflow.

Se várias consultas forem feitas a partir de uma função chamável, os tracebacks poderão apontar incorretamente para a linha self.refresh_from_db(lock_for_update=True) no código do Airflow. é a primeira consulta do banco de dados após a execução da tarefa. A causa real da exceção acontece antes disso, quando uma sessão do SQLAlchemy não é fechada corretamente.

O escopo das sessões do SQLAlchemy é uma linha de execução e é criado em uma sessão de função chamável que pode ser continuada dentro do código do Airflow. Se houver atrasos significativos entre as consultas em uma sessão, é possível que a conexão já tenha sido encerrada pelo servidor do Postgres. O tempo limite de conexão nos ambientes do Cloud Composer é definido como aproximadamente 10 minutos.

Corrigir:

  • Use o decorador airflow.utils.db.provide_session. Esse decorador fornece uma sessão válida para o banco de dados do Airflow no parâmetro session e fecha corretamente a sessão no final da função.
  • Não use uma única função de longa duração. Em vez disso, mova todas as consultas do banco de dados para funções separadas, de modo que haja várias funções com o decorador airflow.utils.db.provide_session. Nesse caso, as sessões são fechadas automaticamente depois de recuperar os resultados da consulta.

Como controlar o tempo de execução de DAGs, tarefas e execuções paralelas do mesmo DAG

Se você quiser controlar a duração de uma única execução de um DAG específico, use o parâmetro dagrun_timeout do DAG para fazer isso. Por exemplo, se você espera que uma única execução de DAG (seja concluída com sucesso ou com falha) não dure mais do que uma hora, defina esse parâmetro como 3.600 segundos.

Também é possível controlar o tempo que uma única tarefa do Airflow pode durar. Para fazer isso, use execution_timeout.

Se você quiser controlar quantas execuções de DAG ativas você quer ter para um determinado DAG, use a opção de configuração do Airflow [core]max-active-runs-per-dag para isso.

Se você quiser que apenas uma única instância de um DAG seja executada em um determinado momento, defina o parâmetro max-active-runs-per-dag como 1.

Problemas que afetam DAGs e plug-ins sincronizados com programadores, workers e servidores da Web

O Cloud Composer sincroniza o conteúdo das pastas /dags e /plugins com programadores e workers. Certos objetos nas pastas /dags e /plugins podem impedir que essa sincronização funcione corretamente ou, pelo menos, torná-la mais lenta.

  • A pasta /dags está sincronizada com programadores e workers. Ela não será sincronizada com os servidores da Web no Cloud Composer 2 ou se você ativar DAG Serialization no Cloud Composer 1.

  • A pasta /plugins está sincronizada com programadores, workers e servidores da Web.

Você pode encontrar os seguintes problemas:

  • Você fez upload de arquivos compactados gzip que usam transcodificação de compactação para as pastas /dags e /plugins. Isso geralmente acontece se você usa o comando gsutil cp -Z para fazer upload de dados para o bucket.

    Solução: exclua o objeto que usou a transcodificação de compactação e faça o upload dele no bucket novamente.

  • Um dos objetos é chamado de ".". Ele não é sincronizado com programadores e workers e pode parar de ser sincronizado.

    Solução: renomeie o objeto problemático.

  • Uma pasta e um arquivo Python do DAG têm os mesmos nomes, por exemplo, a.py. Nesse caso, o arquivo DAG não está sincronizado corretamente com os componentes do Airflow.

    Solução: remova a pasta com o mesmo nome de um arquivo Python do DAG.

  • Um dos objetos nas pastas /dags ou /plugins contém um símbolo / no final do nome do objeto. Esses objetos podem enganar o processo de sincronização, porque o símbolo / significa que um objeto é uma pasta, não um arquivo.

    Solução: remova o símbolo / do nome do objeto problemático.

  • Não armazene arquivos desnecessários nas pastas /dags e /plugins.

    Às vezes, os DAGs e plug-ins implementados são acompanhados de arquivos adicionais, como arquivos que armazenam testes para esses componentes. Esses arquivos são sincronizados com workers e programadores e afetam o tempo necessário para copiar esses arquivos para programadores, workers e servidores da Web.

    Solução: não armazene arquivos adicionais e desnecessários nas pastas /dags e /plugins.

Done [Errno 21] Is a directory: '/home/airflow/gcs/dags/...' erro é gerado por programadores e workers

Esse problema acontece porque os objetos podem ter namespaces sobrepostos no Cloud Storage, enquanto os programadores e os workers usam sistemas de arquivos tradicionais. Por exemplo, é possível adicionar uma pasta e um objeto com o mesmo nome ao bucket de um ambiente. Quando o bucket é sincronizado com os programadores e workers do ambiente, esse erro é gerado, o que pode levar a falhas de tarefas.

Para corrigir esse problema, verifique se não há namespaces sobrepostos no bucket do ambiente. Por exemplo, se /dags/misc (um arquivo) e /dags/misc/example_file.txt (outro arquivo) estiverem em um bucket, um erro será gerado pelo programador.

Interrupções temporárias ao se conectar ao Airflow Metadata DB

O Cloud Composer é executado em uma infraestrutura em nuvem distribuída. Isso significa que, de vez em quando, podem aparecer alguns problemas transitórios que interrompem a execução das tarefas do Airflow.

Nessas situações, você verá as seguintes mensagens de erro nos registros dos workers do 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)"

Esses problemas intermitentes também podem ser causados por operações de manutenção realizadas nos ambientes do Cloud Composer.

Normalmente, esses erros são intermitentes e, se as tarefas do Airflow forem idempotentes, e você tiver configurado novas tentativas, estará imune a elas. Também é possível considerar a definição de janelas de manutenção.

Outro motivo para esses erros pode ser a falta de recursos no cluster do ambiente. Nesses casos, é possível escalonar verticalmente ou otimizar seu ambiente conforme descrito nas instruções Como escalonar ambientes ou Como otimizar o ambiente.

Uma execução do DAG é marcada como bem-sucedida, mas não tem tarefas executadas

Se uma execução execution_date for anterior à start_date do DAG, talvez você veja execuções do DAG que não têm nenhuma execução de tarefa, mas ainda estão marcadas como bem-sucedidas.

Uma execução de DAG bem-sucedida sem tarefas executadas
Figura 3. Uma execução de DAG bem-sucedida sem tarefas executadas (clique para ampliar)

Causa

Essa situação pode acontecer em um dos seguintes casos:

  • Uma incompatibilidade é causada pela diferença de fuso horário entre execution_date e start_date do DAG. Isso pode acontecer, por exemplo, ao usar pendulum.parse(...) para definir start_date.

  • O start_date do DAG está definido como um valor dinâmico, por exemplo, airflow.utils.dates.days_ago(1)

Solução

  • Verifique se execution_date e start_date estão usando o mesmo fuso horário.

  • Especifique um start_date estático e combine-o com catchup=False para evitar a execução de DAGs com datas de início passadas.

Um DAG não é visível na interface do Airflow ou na interface do DAG e o programador não o programa

O processador DAG analisa cada DAG antes que ele possa ser programado pelo programador e antes de um DAG se tornar visível na IU do Airflow ou na interface do DAG.

As seguintes opções de configuração do Airflow definem tempos limite para analisar DAGs:

Se um DAG não estiver visível na interface do Airflow ou do DAG:

  • Verifique os registros do processador de DAG se ele for capaz de processar corretamente seu DAG. Em caso de problemas, você pode ver as seguintes entradas de registro nos registros do processador de DAG ou do programador:
[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.
  • Verifique os registros do programador para ver se ele funciona corretamente. Em caso de problemas, você verá as seguintes entradas nos registros do programador:
DagFileProcessorManager (PID=732) last sent a heartbeat 240.09 seconds ago! Restarting it
Process timed out, PID: 68496

Soluções:

  • Corrigir todos os erros de análise do DAG. O processador DAG analisa vários DAGs e, em casos raros, a análise de erros de um DAG pode afetar negativamente a análise de outros DAGs.

  • Se a análise do DAG demorar mais do que a quantidade de segundos definida em [core]dagrun_import_timeout, aumente esse tempo limite.

  • Se a análise de todos os DAGs levar mais do que a quantidade de segundos definida em [core]dag_file_processor_timeout, aumente esse tempo limite.

  • Se o DAG demorar muito para ser analisado, isso também pode significar que ele não foi implementado da maneira ideal. Por exemplo, se ele lê muitas variáveis de ambiente ou executa chamadas para serviços externos ou um banco de dados do Airflow. Na medida do possível, evite executar essas operações em seções globais dos DAGs.

  • Aumentar os recursos de CPU e memória do Programador para que ele funcione mais rapidamente.

  • Ajustar o número de programadores.

  • Aumente o número de processos do processador de DAG para que a análise possa ser feita mais rapidamente. Para fazer isso, aumente o valor de [scheduler]parsing_process.

  • Diminua a frequência de análise do DAG.

  • Reduza a carga no banco de dados do Airflow.

Sintomas de sobrecarga do banco de dados do Airflow

Para mais informações, consulte Sintomas de como o banco de dados do Airflow está sob pressão de carga.

A seguir