Depura problemas de DAG por falta de memoria y almacenamiento

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Nota: Esta página aún no se revisó para Cloud Composer 3 y muestra contenido de Cloud Composer 2.

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

Introducción

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

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

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

o

Task exited with return code Negsignal.SIGKILL

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

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

Objetivos

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

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

• Diagnostica los motivos de la falla

• Aumenta los recursos de trabajadores asignados

• Prueba los DAG con nuevos límites de recursos

Costos

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

• Cloud Composer (consulta costos adicionales)
• Cloud Monitoring

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

Antes de comenzar

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

Crea y configura un proyecto

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

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

   Ir al Selector de proyectos

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

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

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

Habilita las API para tu proyecto.

Enable the Cloud Composer API.

Enable the API

Crea tu entorno de Cloud Composer

Crea un entorno de Cloud Composer 2.

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

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

Verifica los límites de recursos de los trabajadores

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

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

   Ir a Entornos

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

3. Ve a la pestaña Configuración del entorno.

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

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

Ejemplo: Cómo diagnosticar problemas de falta de memoria

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

Este DAG contiene una tarea que ejecuta los siguientes pasos:

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

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

import time

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

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

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


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


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

Activa el DAG de muestra

Activa el DAG de muestra, create_list_with_many_strings:

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

   Ir a Entornos

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

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

4. Haz clic en Activar.

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

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

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

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

Diagnostica el DAG que falló

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

Revisa los registros de tareas de Airflow

Observa que la tarea del DAG create_list_with_many_strings tiene un Failed.

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

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

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

Revisa las cargas de trabajo

Revisa las cargas de trabajo para comprobar que la carga de tu tarea no provoque el nodo donde se ejecuta el Pod para superar el límite de consumo de memoria:

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

   Ir a Entornos

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

3. Ve a la pestaña Configuración del entorno.

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

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

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

   Exit code 137 significa que un contenedor o Pod está intentando usar más memoria. de lo permitido. El proceso se finaliza para evitar el uso de memoria.

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

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

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

   Ir a Entornos

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

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

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

5. Selecciona Trabajadores y busca el gráfico Uso total de la memoria de trabajadores. Observa que la línea Memory usage (Uso de memoria) tiene un aumento repentino en el momento en que se estaba ejecutando la tarea.

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

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

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

La memoria asignable se calcula de la siguiente manera:

ALLOCATABLE = CAPACITY - RESERVED - EVICTION-THRESHOLD

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

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

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

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

Aumenta el límite de memoria del trabajador

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

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

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

   Ir a Entornos

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

3. Ve a la pestaña Configuración del entorno.

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

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

6. Guarda los cambios y espera varios minutos para que tus trabajadores de Airflow reiniciar.

Prueba tu DAG con el nuevo límite de memoria

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

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

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

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

Ejemplo: Diagnostica problemas de falta de almacenamiento

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

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

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

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

Sube un DAG que cree un archivo grande

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

Este DAG contiene una tarea que ejecuta los siguientes pasos:

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

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

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

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

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


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

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

    create_file()
    print("Success!")


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

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

Imitar un DAG de larga duración e investigar el impacto de la duración de la tarea en el estado final, sube el segundo DAG de muestra a tu en un entorno de nube. En este instructivo, este DAG se llama long_running_create_large_txt_file_print_logs

Este DAG contiene una tarea que ejecuta los siguientes pasos:

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

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

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

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

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


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

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

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

    print("Success!")


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

Cómo activar DAG de muestra

Activa el primer DAG, create_large_txt_file_print_logs:

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

   Ir a Entornos

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

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

4. Haz clic en Activar.

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

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

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

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

Revisa los registros de la tarea de Airflow:

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

   Ir a Entornos

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

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

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

En los registros, verás mensajes similares a los siguientes:

Worker: warm shutdown (Main Process)

o

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

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

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

Activa el segundo DAG, long_running_create_large_txt_file_print_logs:

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

   Ir a Entornos

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

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

4. Haz clic en Activar.

5. En la página DAG, haz clic en la tarea que activaste y revisa el resultado. para asegurarte de que tu DAG comenzó a ejecutarse.

6. Espera hasta que se ejecute el DAG long_running_create_large_txt_file_print_logs falla. El proceso tardará aproximadamente una hora.

Revisa los resultados de la ejecución del DAG:

1. En la página DAG, haz clic en el long_running_create_large_txt_file_print_logs ejecución de DAG. Verás lo siguiente: que la tarea tenga un estado Failed y que la duración de la ejecución se haya exactamente 1 hora y 5 minutos, que es menos que el período de espera de la tarea de 1 hora y 15 minutos.

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

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

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

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

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

Nota: Si activas uno de los DAG de muestra que exceden el límite de almacenamiento de forma simultánea con cualquier otro DAG de muestra, verás que, si uno de los el almacenamiento de recursos supera el límite de almacenamiento y falla, cualquier otra tarea en ejecución fallará, aunque no requieran espacio de almacenamiento.

Diagnostica el DAG que falló

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

Revisa los registros de tareas del segundo DAG, long_running_create_large_txt_file_print_logs:

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

   Ir a Entornos

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

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

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

En los registros, verás mensajes similares a los siguientes:

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

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

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

o

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

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

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

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

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

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

   Ir a Entornos

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

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

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

5. Selecciona Trabajadores y busca el gráfico Uso total del disco de trabajadores. Observar que la línea de Uso del disco tenga un aumento repentino y supere el límite de discos línea en el momento en que se estaba ejecutando la tarea.

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

Aumenta el límite de almacenamiento de los trabajadores

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

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

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

   Ir a Entornos

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

3. Ve a la pestaña Configuración del entorno.

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

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

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

Prueba tu DAG con el nuevo límite de almacenamiento

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

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

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

3. Haz clic en la sección Trabajadores y busca el gráfico Uso total del disco de trabajadores. Verás que la línea Límite de discos refleja el cambio en la de almacenamiento y la línea Uso del disco dentro del rango permitido.

Resumen

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

Limpia

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

Borra el proyecto

Precaución: Borrar un proyecto tiene estas consecuencias:

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

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

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

   Ir a Administrar recursos

2. En la lista de proyectos, elige el proyecto que quieres borrar y haz clic en Borrar.
3. En el diálogo, escribe el ID del proyecto y, luego, haz clic en Cerrar para borrar el proyecto.

Borra los recursos individuales

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

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

¿Qué sigue?

• Escalar entornos
• Soluciona problemas de los DAG