Risoluzione dei problemi dei DAG

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Questa pagina fornisce i passaggi per la risoluzione dei problemi e le informazioni più comuni relative al flusso di lavoro.

Molti problemi di esecuzione dei DAG sono causati da prestazioni dell'ambiente non ottimali. Puoi ottimizzare l'ambiente Cloud Composer 2 seguendo la guida per ottimizzare le prestazioni e i costi dell'ambiente.

Alcuni problemi delle esecuzioni dei DAG potrebbero essere causati da uno scheduler di Airflow che non funziona correttamente o in modo ottimale. Segui le istruzioni per la risoluzione dei problemi dello scheduler per risolvere questi problemi.

Flusso di lavoro per la risoluzione dei problemi

Per iniziare la risoluzione dei problemi:

  1. Controlla i log di Airflow.

    Puoi aumentare il livello di logging di Airflow eseguendo l'override della seguente opzione di configurazione di Airflow.

    Flusso d'aria 2

    Sezione Chiave Valore
    logging logging_level Il valore predefinito è INFO. Imposta il valore DEBUG per aumentare il livello di dettaglio nei messaggi di log.

    Flusso d'aria 1

    Sezione Chiave Valore
    core logging_level Il valore predefinito è INFO. Imposta il valore DEBUG per aumentare il livello di dettaglio nei messaggi di log.

  2. Controlla la dashboard di Monitoring.

  3. Esamina Cloud Monitoring.

  4. Nella console Google Cloud, verifica la presenza di errori nelle pagine dei componenti del tuo ambiente.

  5. Nell'interfaccia web di Airflow, controlla la visualizzazione grafico del DAG per verificare la presenza di istanze di attività non riuscite.

    Sezione Chiave Valore
    webserver dag_orientation LR, TB, RL o BT

Debug degli errori dell'operatore

Per eseguire il debug di un errore di un operatore:

  1. Verifica la presenza di errori specifici delle attività.
  2. Controlla i log di Airflow.
  3. Esamina Cloud Monitoring.
  4. Controlla i log specifici dell'operatore.
  5. Correggi gli errori.
  6. Carica il DAG nella cartella dags/.
  7. Nell'interfaccia web di Airflow, cancella gli stati precedenti del DAG.
  8. Riprendi o esegui il DAG.

Risoluzione dei problemi di esecuzione dell'attività

Airflow è un sistema distribuito con molte entità come scheduler, esecutore e worker che comunicano tra loro tramite una coda di attività e il database Airflow e inviano segnali (come SIGTERM). Il seguente diagramma mostra una panoramica delle interconnessioni tra i componenti Airflow.

Interazione tra i componenti Airflow
Figura 1. Interazione tra i componenti Airflow (fai clic per ingrandire)

In un sistema distribuito come Airflow, potrebbero verificarsi alcuni problemi di connettività di rete oppure l'infrastruttura sottostante potrebbe riscontrare problemi intermittenti; ciò può portare a situazioni in cui le attività possono non riuscire ed essere riprogrammate per l'esecuzione o in cui le attività potrebbero non essere completate correttamente (ad esempio, attività Zombie o attività bloccate in esecuzione). Airflow dispone di meccanismi per gestire queste situazioni e riprende automaticamente il normale funzionamento. Le seguenti sezioni spiegano problemi comuni che si verificano durante l'esecuzione delle attività di Airflow: Attività Zombie, pillole velenose e segnali SIGTERM.

Risoluzione dei problemi relativi alle attività Zombie

Airflow rileva due tipi di mancata corrispondenza tra un'attività e un processo che la esegue:

  • Le attività zombie sono attività che dovrebbero essere in esecuzione, ma non lo sono. Questo può accadere se il processo dell'attività è stato interrotto o non risponde, se il worker Airflow non ha segnalato lo stato dell'attività in tempo perché è sovraccarico o se la VM in cui l'attività viene eseguita è stata arrestata. Airflow rileva periodicamente queste attività e, a seconda delle impostazioni dell'attività, non riesce o esegue un nuovo tentativo.

    Scopri attività zombie

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

  • Le attività non morte sono attività che non dovrebbero essere in esecuzione. Airflow rileva periodicamente queste attività e le termina.

I motivi e le soluzioni più comuni per le attività Zombie sono elencati di seguito.

Il worker Airflow ha esaurito la memoria

Ogni worker Airflow può eseguire fino a [celery]worker_concurrency istanze di attività contemporaneamente. Se un consumo cumulativo di memoria di queste istanze di attività supera il limite di memoria per un worker Airflow, un processo casuale su di esso viene terminato per liberare risorse.

Scopri gli eventi di esaurimento della memoria dei worker Airflow

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

Soluzioni:

Il worker Airflow è stato rimosso

Le eliminazioni dei pod sono una parte normale dell'esecuzione di carichi di lavoro su Kubernetes. GKE rimuove i pod se hanno esaurito lo spazio di archiviazione o per liberare risorse per i carichi di lavoro con priorità più elevata.

Scopri le eliminazioni dei worker di Airflow

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

Soluzioni:

Il worker Airflow è stato terminato

I worker di Airflow potrebbero essere rimossi esternamente. Se le attività attualmente in esecuzione non vengono terminate durante un periodo di arresto controllato, verranno interrotte e potrebbero essere rilevate come zombie.

Scopri le terminazioni dei pod dei worker di Airflow

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

Scenari e soluzioni possibili:

  • I worker di Airflow vengono riavviati durante le modifiche dell'ambiente, ad esempio gli upgrade o l'installazione dei pacchetti:

    Scopri le modifiche dell'ambiente Composer

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

    Puoi eseguire queste operazioni quando non sono in esecuzione attività critiche o abilitare i nuovi tentativi di attività.

  • Diversi componenti potrebbero essere temporaneamente non disponibili durante le operazioni di manutenzione:

    Scopri le operazioni di manutenzione di GKE

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

    Puoi specificare periodi di manutenzione per ridurre al minimo le sovrapposizioni con l'esecuzione delle attività critiche.

  • Nelle versioni di Cloud Composer 2 precedenti alla 2.4.5, un worker di Airflow in fase di terminazione potrebbe ignorare il segnale SIGTERM e continuare a eseguire attività:

    Scopri il scale down tramite la scalabilità automatica di Composer

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

    Puoi eseguire l'upgrade a una versione successiva di Cloud Composer in cui il problema è stato risolto.

Il worker di Airflow era sottoposto a un carico elevato

La quantità di risorse di CPU e memoria disponibile per un worker Airflow è limitata dalla configurazione dell'ambiente. Se un utilizzo si avvicina ai limiti, causerebbe un conflitto di risorse e ritardi inutili durante l'esecuzione dell'attività. In situazioni estreme, quando mancano risorse per periodi di tempo più lunghi, potrebbero verificarsi attività zombie.

Soluzioni:

Il database Airflow era sottoposto a un carico elevato

Un database viene utilizzato da vari componenti Airflow per comunicare tra loro e, in particolare, per archiviare gli heartbeat delle istanze delle attività. La carenza di risorse nel database determina tempi più lunghi per le query e potrebbe influire sull'esecuzione di un'attività.

Soluzioni:

Il database Airflow era temporaneamente non disponibile

Un worker Airflow potrebbe impiegare tempo per rilevare e gestire correttamente gli errori intermittenti, come i problemi di connettività temporanei. Potrebbe superare la soglia predefinita di rilevamento degli zombie.

Scoprire i timeout heartbeat di Airflow

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

Soluzioni:

  • Aumenta il timeout per le attività zombie e esegui l'override del valore dell'opzione di configurazione [scheduler]scheduler_zombie_task_threshold di Airflow:

    Sezione Chiave Valore Note
    scheduler scheduler_zombie_task_threshold Nuovo timeout (in secondi) Il valore predefinito è 300

Risoluzione dei problemi della pillola velenosa

La pillola velenosa è un meccanismo utilizzato da Airflow per arrestare le attività Airflow.

Airflow utilizza la pillola velenosa nelle seguenti situazioni:

  • Quando uno scheduler termina un'attività che non è stata completata in tempo.
  • Quando un'attività scade o viene eseguita per troppo tempo.

Quando Airflow utilizza la pillola velenosa, puoi vedere le seguenti voci di log nei log di un worker Airflow che ha eseguito l'attività:

  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.

Possibili soluzioni:

  • Verifica che nel codice dell'attività non siano presenti errori che potrebbero causare un'esecuzione troppo lunga.
  • (Cloud Composer 2) Aumenta la CPU e la memoria per i worker di Airflow, in modo che le attività vengano eseguite più velocemente.

  • Aumenta il valore dell'opzione di configurazione [celery_broker_transport_options]visibility-timeout Airflow.

    Di conseguenza, lo scheduler attende più tempo per il completamento di un'attività, prima di considerare l'attività come un'attività Zombie. Questa opzione è particolarmente utile per le attività che richiedono molto tempo e durano molte ore. Se il valore è troppo basso (ad esempio, 3 ore), lo scheduler considera le attività eseguite per 5 o 6 ore come "bloccate" (attività Zombie).

  • Aumenta il valore dell'opzione di configurazione di Airflow [core]killed_task_cleanup_time.

    Un valore più lungo concede più tempo ai worker di Airflow per completare le attività in modo controllato. Se il valore è troppo basso, le attività Airflow potrebbero essere interrotte bruscamente, senza abbastanza tempo per terminare il lavoro in modo controllato.

Risoluzione dei problemi relativi ai segnali SIGTERM

I segnali SIGTERM vengono utilizzati da Linux, Kubernetes, scheduler Airflow e Celery per terminare i processi responsabili dell'esecuzione dei worker o delle attività Airflow.

I motivi per cui gli indicatori SIGTERM vengono inviati in un ambiente potrebbero essere diversi:

  • Un'attività è diventata un'attività Zombie e deve essere arrestata.

  • Lo scheduler ha scoperto un duplicato di un'attività e invia la pillola velenosa e i segnali SIGTERM all'attività per interromperla.

  • In scalabilità automatica orizzontale dei pod, il piano di controllo GKE invia indicatori SIGTERM per rimuovere i pod che non sono più necessari.

  • Lo scheduler può inviare segnali SIGTERM al processo DagFileProcessorManager. Questi indicatori SIGTERM vengono utilizzati dallo scheduler per gestire il ciclo di vita del processo DagFileProcessorManager e possono essere ignorati tranquillamente.

    Esempio:

    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.

  • Condizione di gara tra il callback di heartbeat e i callback di uscita in local_task_job, che monitora l'esecuzione dell'attività. Se l'heartbeat rileva che un'attività è stata contrassegnata come riuscita, non può distinguere se l'attività stessa è riuscita o se ad Airflow è stato detto di considerare l'attività riuscita. Tuttavia, determinerà l'arresto di un runner dell'attività, senza aspettarne l'uscita.

    Questi indicatori SIGTERM possono essere ignorati tranquillamente. L'attività è già nello stato riuscito e l'esecuzione del DAG nel suo complesso non sarà interessata.

    La voce di log Received SIGTERM. è l'unica differenza tra l'uscita regolare e la chiusura dell'attività riuscita.

    Condizione di gara tra l&#39;heartbeat e i callback di uscita
    Figura 2. Condizione di gara tra l'heartbeat e i callback di uscita (fai clic per ingrandire)

  • Un componente Airflow utilizza più risorse (CPU, memoria) di quanto consentito dal nodo cluster.

  • Il servizio GKE esegue operazioni di manutenzione e invia indicatori SIGTERM ai pod in esecuzione su un nodo che sta per essere aggiornato. Quando un'istanza di attività viene terminata con SIGTERM, puoi vedere le seguenti voci di log nei log di un worker Airflow che ha eseguito l'attività:

{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

Possibili soluzioni:

Questo problema si verifica quando una VM che esegue l'attività esaurisce la memoria. Ciò non è correlato alle configurazioni Airflow, ma alla quantità di memoria disponibile per la VM.

L'aumento della memoria dipende dalla versione di Cloud Composer che utilizzi. Ad esempio:

  • In Cloud Composer 2, puoi assegnare più risorse di CPU e memoria ai worker di Airflow.

  • Nel caso di Cloud Composer 1, è possibile ricreare l'ambiente utilizzando un tipo di macchina con prestazioni superiori.

  • In entrambe le versioni di Cloud Composer, è possibile ridurre il valore dell'opzione di configurazione di Airflow contemporaneità [celery]worker_concurrency. Questa opzione determina quante attività vengono eseguite contemporaneamente da un determinato worker Airflow.

Per ulteriori informazioni sull'ottimizzazione dell'ambiente Cloud Composer 2, consulta Ottimizzare le prestazioni e i costi dell'ambiente

Query di Cloud Logging per scoprire i motivi dei riavvii o delle eliminazioni dei pod

Gli ambienti di Cloud Composer usano i cluster GKE come livello dell'infrastruttura di calcolo. In questa sezione potrai trovare query utili che possono aiutare a trovare i motivi dei riavvii o delle eliminazioni del worker o dello scheduler Airflow.

Le query presentate di seguito potrebbero essere ottimizzate nel seguente modo:

  • puoi specificare la cronologia che ti interessa in Cloud Logging, ad esempio le ultime 6 ore, i 3 giorni,

  • devi specificare il valore CLUSTER_NAME di Cloud Composer

  • puoi anche limitare la ricerca a un pod specifico aggiungendo POD_NAME

Scopri i container riavviati

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

Query alternativa per limitare i risultati a un pod specifico:

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

Scopri l'arresto dei container a causa di un evento di esaurimento della memoria

    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"

Query alternativa per limitare i risultati a un pod specifico:

    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"

Scopri i container che hanno interrotto l'esecuzione

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

Query alternativa per limitare i risultati a un pod specifico:

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

Impatto delle operazioni di aggiornamento o upgrade sulle esecuzioni delle attività Airflow

Le operazioni di aggiornamento o upgrade interrompono le attività Airflow attualmente in esecuzione, a meno che un'attività non venga eseguita in modalità ripristinabile.

Ti consigliamo di eseguire queste operazioni quando prevedi un impatto minimo sulle esecuzioni delle attività Airflow e di configurare meccanismi di ripetizione appropriati nei tuoi DAG e attività.

Risoluzione dei problemi delle attività di KubernetesExecutor

CeleryKubernetesExecutor è un tipo di esecutore in Cloud Composer 3 che può utilizzare CeleryExecutor e KubernetesExecutor contemporaneamente.

Consulta la pagina Utilizzare CeleryKubernetesExecutor per ulteriori informazioni sulla risoluzione dei problemi delle attività eseguite con KubernetesExecutor.

Problemi comuni

Le seguenti sezioni descrivono i sintomi e le potenziali correzioni per alcuni problemi DAG più comuni.

L'attività Airflow è stata interrotta da Negsignal.SIGKILL

A volte l'attività potrebbe utilizzare più memoria di quella allocata al worker Airflow. In questo caso, potrebbe essere interrotto da Negsignal.SIGKILL. Il sistema invia questo segnale per evitare un ulteriore consumo di memoria, che potrebbe influire sull'esecuzione di altre attività Airflow. Nel log del worker di Airflow potresti vedere la seguente voce di log:

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

Negsignal.SIGKILL potrebbe essere visualizzato anche come codice -9.

Possibili soluzioni:

  • worker_concurrency di worker Airflow inferiori.

  • Nel caso di Cloud Composer 2, aumenta la memoria dei worker di Airflow.

  • Nel caso di Cloud Composer 1, esegui l'upgrade a un tipo di macchina più grande utilizzato nel cluster Cloud Composer.

  • Ottimizza le tue attività per utilizzare meno memoria.

  • Gestisci le attività ad alta intensità di risorse in Cloud Composer utilizzando KubernetesPodOperator o GKEStartPodOperator per l'isolamento delle attività e l'allocazione personalizzata delle risorse.

L'attività non riesce senza inviare log a causa di errori di analisi dei DAG

A volte potrebbero verificarsi lievi errori DAG che portano a una situazione in cui uno scheduler e un processore DAG di Airflow sono in grado di pianificare le attività per l'esecuzione e di analizzare un file DAG (rispettivamente), ma il worker di Airflow non riesce a eseguire le attività da un DAG di questo tipo poiché sono presenti errori di programmazione nel file DAG Python. Ciò potrebbe portare a una situazione in cui un'attività Airflow è contrassegnata come Failed e dall'esecuzione non sono presenti log.

Soluzioni:

  • Verifica nei log dei worker di Airflow che non siano presenti errori generati dal worker Airflow relativi a errori di analisi dei DAG o dei DAG mancanti.

  • Aumenta i parametri relativi all'analisi dei DAG:

  • Vedi anche Ispezione dei log del processore DAG.

L'attività non riesce senza inviare log a causa della pressione delle risorse

Sintomo: durante l'esecuzione di un'attività, il processo secondario del worker Airflow responsabile dell'esecuzione dell'attività Airflow viene interrotto bruscamente. L'errore visibile nel log del worker di Airflow potrebbe essere simile a quello seguente:

...
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
...

Soluzione:

L'attività non riesce senza inviare log a causa dell'eliminazione dei pod

I pod di Google Kubernetes Engine sono soggetti al ciclo di vita dei pod di Kubernetes e all'eliminazione dei pod. I picchi di attività e la co-pianificazione dei worker sono le due cause più comuni dell'eliminazione dei pod in Cloud Composer.

L'eliminazione dei pod può verificarsi quando un determinato pod utilizza le risorse del nodo in eccesso, in relazione alle aspettative configurate per il consumo di risorse per il nodo. Ad esempio, l'eliminazione potrebbe verificarsi quando in un pod vengono eseguite diverse attività che richiedono molta memoria e il loro carico combinato fa sì che il nodo in cui viene eseguito questo pod superi il limite di consumo di memoria.

Se un pod worker Airflow viene rimosso, tutte le istanze delle attività in esecuzione su quel pod vengono interrotte e successivamente contrassegnate come non riuscite da Airflow.

I log vengono inseriti nel buffer. Se un pod worker viene rimosso prima del svuotamento del buffer, i log non vengono emessi. L'errore delle attività senza log indica che i worker Airflow vengono riavviati a causa di esaurimento della memoria (OOM). Alcuni log potrebbero essere presenti in Cloud Logging anche se i log di Airflow non sono stati emessi.

Per visualizzare i log:

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

    Vai ad Ambienti

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

  3. Vai alla scheda Log.

  4. Visualizza i log dei singoli worker in Tutti i log -> Log di Airflow -> Worker -> (singolo worker).

L'esecuzione del DAG è limitata alla memoria. L'esecuzione di ogni attività inizia con due processi Airflow: esecuzione dell'attività e monitoraggio. Ogni nodo può eseguire fino a 6 attività simultanee (circa 12 processi caricati con moduli Airflow). A seconda della natura del DAG, è possibile consumare più memoria.

Sintomo:

  1. Nella console Google Cloud, vai alla pagina Carichi di lavoro.

    Vai a Carichi di lavoro

  2. Se sono presenti airflow-worker pod che mostrano Evicted, fai clic su ciascun pod rimosso e cerca il messaggio The node was low on resource: memory nella parte superiore della finestra.

Risoluzione:

  • In Cloud Composer 1, crea un nuovo ambiente Cloud Composer con un tipo di macchina più ampio rispetto a quello attuale.
  • In Cloud Composer 2, aumenta i limiti di memoria per i worker di Airflow.
  • Controlla i log dei pod airflow-worker per individuare possibili cause dell'eliminazione. Per ulteriori informazioni sul recupero dei log dai singoli pod, consulta Risoluzione dei problemi relativi ai carichi di lavoro di cui è stato eseguito il deployment.
  • Assicurati che le attività nel DAG siano idempotenti e che sia possibile recuperare.

  • Evita di scaricare file non necessari nel file system locale dei worker di Airflow.

    I worker di Airflow hanno una capacità del file system locale limitata. Ad esempio, in Cloud Composer 2, un worker può avere da 1 GB a 10 GB di spazio di archiviazione. Quando lo spazio di archiviazione si esaurisce, il pod worker Airflow viene rimosso dal piano di controllo GKE. Questa operazione non riesce a tutte le attività eseguite dal worker espulso.

    Esempi di operazioni problematiche:

    • Download di file o oggetti e archiviazione locale in un worker Airflow. Archivia invece questi oggetti direttamente in un servizio adatto, ad esempio un bucket Cloud Storage.
    • Accesso a oggetti di grandi dimensioni nella cartella /data da un worker Airflow. Il worker di Airflow scarica l'oggetto nel proprio file system locale. Implementa invece i DAG in modo che i file di grandi dimensioni vengano elaborati al di fuori del pod di worker Airflow.

Timeout importazione caricamento DAG

Sintomo:

  • Nell'interfaccia web di Airflow, nella parte superiore della pagina dell'elenco dei DAG, una casella di avviso rossa mostra Broken DAG: [/path/to/dagfile] Timeout.

  • In Cloud Monitoring: i log airflow-scheduler contengono voci simili a:

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

Risoluzione:

Esegui l'override dell'opzione di configurazione dag_file_processor_timeout Airflow e concedi più tempo per l'analisi dei DAG:

Sezione Chiave Valore
core dag_file_processor_timeout Nuovo valore di timeout

L'esecuzione del DAG non termina entro il tempo previsto

Sintomo:

A volte un'esecuzione di DAG non termina perché le attività Airflow si bloccano e l'esecuzione dei DAG dura più a lungo del previsto. In condizioni normali, le attività Airflow non rimangono per sempre in stato in coda o in esecuzione, perché Airflow ha procedure di timeout e di pulizia che aiutano a evitare questa situazione.

Risoluzione:

  • Utilizza il parametro dagrun_timeout per i DAG. Ad esempio: dagrun_timeout=timedelta(minutes=120). Di conseguenza, ogni esecuzione di DAG deve essere completata entro il timeout dell'esecuzione del DAG e le attività non terminate devono essere contrassegnate come Failed o Upstream Failed. Per ulteriori informazioni sugli stati delle attività di Airflow, consulta la documentazione di Apache Airflow.

  • Utilizza il parametro Timeout esecuzione attività per definire un timeout predefinito per le attività eseguite in base agli operatori Apache Airflow.

Esecuzioni di DAG non eseguite

Sintomo:

Quando una data di pianificazione per un DAG è impostata in modo dinamico, possono verificarsi vari effetti collaterali imprevisti. Ad esempio:

  • L'esecuzione del DAG è sempre nel futuro e il DAG non viene mai eseguito.

  • Le esecuzioni DAG precedenti sono contrassegnate come eseguite e riuscite nonostante non siano state eseguite.

Ulteriori informazioni sono disponibili nella documentazione di Apache Airflow.

Risoluzione:

  • Segui i consigli nella documentazione di Apache Airflow.

  • Imposta start_date statico per i DAG. In alternativa, puoi utilizzare catchup=False per disabilitare l'esecuzione del DAG per date passate.

  • Evita di utilizzare datetime.now() o days_ago(<number of days>), a meno che tu non sia consapevole degli effetti collaterali di questo approccio.

Aumento del traffico di rete da e verso il database Airflow

La quantità di rete di traffico tra il cluster GKE dell'ambiente e il database Airflow dipende dal numero di DAG, dal numero di attività nei DAG e dal modo in cui i DAG accedono ai dati nel database Airflow. I seguenti fattori possono influire sull'utilizzo della rete:

  • Query al database Airflow. Se i DAG eseguono molte query, generano grandi quantità di traffico. Esempi: controllo dello stato delle attività prima di procedere con altre attività, query sulla tabella XCom, dump dei contenuti del database Airflow.

  • Numero elevato di attività. Maggiore è il numero di attività da pianificare, maggiore sarà il traffico di rete. Questa considerazione si applica sia al numero totale di attività nei DAG sia alla frequenza di pianificazione. Quando lo scheduler Airflow pianifica l'esecuzione dei DAG, effettua query al database Airflow e genera traffico.

  • L'interfaccia web di Airflow genera traffico di rete perché esegue query al database Airflow. Usare in modo intensivo pagine con grafici, attività e diagrammi può generare grandi volumi di traffico di rete.

Il DAG ha arrestato in modo anomalo il server web Airflow o causa la restituzione di un errore 502 gateway timeout

Gli errori del server web possono verificarsi per diversi motivi. Controlla i log airflow-webserver in Cloud Logging per determinare la causa dell'errore 502 gateway timeout.

Computing pesante

Questa sezione riguarda solo Cloud Composer 1.

Evita di eseguire calcoli intensivi al momento di analisi del DAG.

A differenza dei nodi worker e scheduler, i cui tipi di macchina possono essere personalizzati per avere una maggiore capacità di CPU e memoria, il server web utilizza un tipo di macchina fisso, che può causare errori di analisi dei DAG se il calcolo del tempo di analisi è troppo pesante.

Tieni presente che il server web ha 2 vCPU e 2 GB di memoria. Il valore predefinito per core-dagbag_import_timeout è 30 secondi. Questo valore di timeout definisce il limite superiore per il tempo trascorso da Airflow a caricare un modulo Python nella cartella dags/.

Autorizzazioni errate

Questa sezione riguarda solo Cloud Composer 1.

Il server web non viene eseguito con lo stesso account di servizio dei worker e lo scheduler. Pertanto, i worker e lo scheduler potrebbero essere in grado di accedere alle risorse gestite dall'utente a cui il server web non può accedere.

Ti consigliamo di evitare di accedere a risorse non pubbliche durante l'analisi DAG. A volte è inevitabile, perciò dovrai concedere le autorizzazioni all'account di servizio del server web. Il nome dell'account di servizio deriva dal dominio del server web. Ad esempio, se il dominio è example-tp.appspot.com, l'account di servizio è example-tp@appspot.gserviceaccount.com.

Errori DAG

Questa sezione riguarda solo Cloud Composer 1.

Il server web viene eseguito su App Engine ed è separato dal cluster GKE dell'ambiente. Il server web analizza i file di definizione dei DAG e si può verificare un 502 gateway timeout in caso di errori nel DAG. Airflow funziona normalmente senza un server web funzionale se il DAG problematico non interrompe i processi in esecuzione in GKE. In questo caso, puoi utilizzare gcloud composer environments run per recuperare i dettagli dal tuo ambiente e come soluzione alternativa se il server web non è disponibile.

In altri casi, puoi eseguire l'analisi dei DAG in GKE e cercare i DAG che generano eccezioni irreversibili di Python o timeout (il valore predefinito è 30 secondi). Per risolvere i problemi, connettiti a una shell remota in un container worker Airflow e testa gli errori di sintassi. Per maggiori informazioni, consulta Test dei DAG.

Gestione di un numero elevato di DAG e plug-in nelle cartelle DAG e plugin

I contenuti delle cartelle /dags e /plugins vengono sincronizzati dal bucket dell'ambiente ai file system locali di worker e scheduler di Airflow.

Maggiore è il numero di dati archiviati in queste cartelle, più lungo sarà il tempo necessario per eseguire la sincronizzazione. Per risolvere queste situazioni:

  • Limita il numero di file nelle cartelle /dags e /plugins. Archivia solo il minimo di file richiesti.

  • Se possibile, aumenta lo spazio su disco disponibile per gli scheduler e i worker di Airflow.

  • Se possibile, aumenta la CPU e la memoria degli scheduler e dei worker di Airflow, in modo che l'operazione di sincronizzazione venga eseguita più velocemente.

  • In caso di un numero molto elevato di DAG, dividi i DAG in batch, comprimili in archivi zip ed esegui il deployment di questi archivi nella cartella /dags. Questo approccio velocizza il processo di sincronizzazione dei DAG. I componenti Airflow decomprimono gli archivi ZIP prima di elaborare i DAG.

  • Anche la generazione di DAG in una pubblicità programmatica potrebbe essere un metodo per limitare il numero di file DAG archiviati nella cartella /dags. Consulta la sezione sui DAG di pubblicità programmatica per evitare problemi con la pianificazione e l'esecuzione dei DAG generati in modo programmatico.

Non pianificare contemporaneamente i DAG generati in modo programmatico

Generare oggetti DAG in modo programmatico da un file DAG è un metodo efficiente per creare molti DAG simili che presentano solo piccole differenze.

È importante non pianificare l'esecuzione immediata di tutti questi DAG. Esiste un'elevata probabilità che i worker di Airflow non abbiano risorse di CPU e memoria sufficienti per eseguire tutte le attività pianificate contemporaneamente.

Per evitare problemi con la pianificazione dei DAG programmatici:

  • Aumenta la contemporaneità dei worker e fai lo scale up del tuo ambiente, in modo che possa eseguire più attività contemporaneamente.
  • Genera i DAG in modo da distribuire le pianificazioni in modo uniforme nel tempo, per evitare di pianificare centinaia di attività contemporaneamente, in modo che i worker di Airflow abbiano il tempo di eseguire tutte le attività pianificate.

Errore 504 durante l'accesso al server web Airflow

Vedi Errore 504 durante l'accesso alla UI di Airflow.

Lost connection to Postgres server during query eccezione viene generata durante l'esecuzione dell'attività o subito dopo

Lost connection to Postgres server during query eccezioni si verificano spesso quando vengono soddisfatte le seguenti condizioni:

  • Il DAG utilizza PythonOperator o un operatore personalizzato.
  • Il tuo DAG esegue query sul database Airflow.

Se vengono eseguite più query da una funzione richiamabile, le tracce potrebbero puntare erroneamente alla riga self.refresh_from_db(lock_for_update=True) nel codice Airflow; si tratta della prima query di database dopo l'esecuzione dell'attività. La causa effettiva dell'eccezione si verifica prima, quando una sessione SQLAlchemy non viene chiusa correttamente.

Le sessioni SQLAlchemy hanno come ambito un thread e create in una sessione di funzione richiamabile possono essere continuate in un secondo momento all'interno del codice Airflow. Se si verificano ritardi significativi tra le query in una sessione, la connessione potrebbe essere già chiusa dal server Postgres. Il timeout della connessione negli ambienti Cloud Composer è impostato su circa 10 minuti.

Risoluzione:

  • Utilizza il decorator di airflow.utils.db.provide_session. Questo decorator fornisce una sessione valida al database Airflow nel parametro session e chiude correttamente la sessione alla fine della funzione.
  • Non utilizzare una singola funzione a lunga esecuzione. Puoi invece spostare tutte le query di database in funzioni separate, in modo che esistano più funzioni con il decorator airflow.utils.db.provide_session. In questo caso, le sessioni vengono chiuse automaticamente dopo aver recuperato i risultati della query.

Controllo del tempo di esecuzione di DAG, attività ed esecuzioni parallele dello stesso DAG

Se vuoi controllare la durata di una singola esecuzione di un DAG per un determinato DAG, puoi utilizzare il parametro DAG dagrun_timeout per farlo. Ad esempio, se prevedi che una singola esecuzione di DAG (indipendentemente dal fatto che l'esecuzione termini con esito positivo o negativo) non debba durare più di un'ora, imposta questo parametro su 3600 secondi.

Puoi anche controllare la durata di una singola attività Airflow. Per farlo, puoi utilizzare execution_timeout.

Se vuoi controllare quante esecuzioni di DAG attive vuoi avere per un determinato DAG, puoi utilizzare l'[core]max-active-runs-per-dag opzione di configurazione Airflow per farlo.

Se vuoi eseguire una sola istanza di un DAG in un determinato momento, imposta il parametro max-active-runs-per-dag su 1.

Problemi che incidono sulla sincronizzazione di DAG e plug-in con scheduler, worker e server web

Cloud Composer sincronizza i contenuti di /dags e /plugins cartelle con gli scheduler e i worker. Alcuni oggetti nelle cartelle /dags e /plugins potrebbero impedire il corretto funzionamento della sincronizzazione o almeno rallentarla.

  • La cartella /dags è sincronizzata con scheduler e worker. Questa cartella non viene sincronizzata con i server web in Cloud Composer 2 o se attivi DAG Serialization in Cloud Composer 1.

  • La cartella /plugins è sincronizzata con scheduler, worker e server web.

Potresti riscontrare i seguenti problemi:

  • Hai caricato file compressi in formato gzip che utilizzano la transcodifica di compressione nelle cartelle /dags e /plugins. In genere questo accade se utilizzi il comando gsutil cp -Z per caricare i dati nel bucket.

    Soluzione: elimina l'oggetto che ha utilizzato la transcodifica di compressione e ricaricalo nel bucket.

  • Uno degli oggetti è denominato ".", quindi non viene sincronizzato con scheduler e worker e la sincronizzazione potrebbe essere interrotta.

    Soluzione: rinomina l'oggetto problematico.

  • Una cartella e un file Python DAG hanno gli stessi nomi, ad esempio a.py. In questo caso, il file DAG non è sincronizzato correttamente con i componenti di Airflow.

    Soluzione: rimuovi la cartella che ha lo stesso nome di un file Python DAG.

  • Uno degli oggetti nelle cartelle /dags o /plugins contiene un simbolo / alla fine del nome dell'oggetto. Questi oggetti possono fuorviare il processo di sincronizzazione perché il simbolo / significa che un oggetto è una cartella, non un file.

    Soluzione: rimuovi il simbolo / dal nome dell'oggetto problematico.

  • Non archiviare i file non necessari nelle cartelle /dags e /plugins.

    A volte i DAG e i plug-in che implementi sono accompagnati da file aggiuntivi, ad esempio file che archiviano i test per questi componenti. Questi file vengono sincronizzati con worker e scheduler e incidono sul tempo necessario per copiarli su scheduler, worker e server web.

    Soluzione: non archiviare file aggiuntivi e non necessari nelle cartelle /dags e /plugins.

Done [Errno 21] Is a directory: '/home/airflow/gcs/dags/...' errore generato da scheduler e worker

Questo problema si verifica perché gli oggetti possono avere uno spazio dei nomi sovrapposto in Cloud Storage mentre, allo stesso tempo, gli scheduler e i worker utilizzano file system tradizionali. Ad esempio, è possibile aggiungere sia una cartella sia un oggetto con lo stesso nome al bucket di un ambiente. Quando il bucket viene sincronizzato con gli scheduler e i worker dell'ambiente, viene generato questo errore, che può causare errori delle attività.

Per risolvere il problema, assicurati che non esistano spazi dei nomi sovrapposti nel bucket dell'ambiente. Ad esempio, se /dags/misc (un file) e /dags/misc/example_file.txt (un altro file) si trovano in un bucket, viene generato un errore dallo scheduler.

Interruzioni temporanee durante la connessione a Airflow Metadata DB

Cloud Composer viene eseguito su un'infrastruttura cloud distribuita. Significa che di tanto in tanto potrebbero comparire alcuni problemi temporanei che potrebbero interrompere l'esecuzione delle attività di Airflow.

In queste situazioni potresti visualizzare i seguenti messaggi di errore nei log dei worker di Airflow:

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

o

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

Tali problemi intermittenti potrebbero essere causati anche da operazioni di manutenzione eseguite per i tuoi ambienti Cloud Composer.

Di solito, questi errori sono intermittenti e se le attività di Airflow sono idempotenti e sono stati configurati nuovi tentativi, non devi ignorarli. Puoi anche valutare la definizione di periodi di manutenzione.

Un altro motivo di questi errori potrebbe essere la mancanza di risorse nel cluster dell'ambiente. In questi casi, puoi fare lo scale up o l'ottimizzazione dell'ambiente come descritto nelle istruzioni sulla scalabilità degli ambienti o su come ottimizzare l'ambiente.

Un'esecuzione di DAG è contrassegnata come riuscita, ma non ha attività eseguite

Se l'esecuzione di un DAG execution_date è precedente a quella di start_date del DAG, potresti vedere esecuzioni di DAG che non hanno alcuna attività in esecuzione, ma sono comunque contrassegnate come riuscite.

Un&#39;esecuzione di DAG riuscita senza attività eseguite
Figura 3. Un'esecuzione di DAG riuscita senza attività eseguite (fai clic per ingrandire)

Causa

Questa situazione potrebbe verificarsi in uno dei seguenti casi:

  • Una mancata corrispondenza è causata dalla differenza di fuso orario tra execution_date e start_date del DAG. Può accadere, ad esempio, quando si utilizza pendulum.parse(...) per impostare start_date.

  • Il start_date del DAG è impostato su un valore dinamico, ad esempio airflow.utils.dates.days_ago(1)

Soluzione:

  • Assicurati che execution_date e start_date utilizzino lo stesso fuso orario.

  • Specifica un valore start_date statico e combinalo con catchup=False per evitare di eseguire DAG con date di inizio passate.

Un DAG non è visibile nella UI di Airflow o DAG e lo scheduler non lo pianifica

Il processore DAG analizza ogni DAG prima che possa essere pianificato dallo scheduler e prima che un DAG diventi visibile nella UI di Airflow o nella UI di DAG.

Le seguenti opzioni di configurazione di Airflow definiscono i timeout per l'analisi dei DAG:

Se un DAG non è visibile nella UI di Airflow o DAG:

  • Controlla i log del processore DAG se il processore DAG è in grado di elaborare correttamente il DAG. In caso di problemi, potresti vedere le seguenti voci di log nei log del processore DAG o dello scheduler:
[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.
  • Controlla i log dello scheduler per verificare che funzioni correttamente. In caso di problemi, nei log dello scheduler potresti vedere le seguenti voci di log:
DagFileProcessorManager (PID=732) last sent a heartbeat 240.09 seconds ago! Restarting it
Process timed out, PID: 68496

Soluzioni:

  • Correggi tutti gli errori di analisi dei DAG. Il processore DAG analizza più DAG e, in rari casi, gli errori di analisi di un DAG possono influire negativamente sull'analisi di altri DAG.

  • Se l'analisi del DAG richiede più dei secondi definiti in [core]dagrun_import_timeout, aumenta il timeout.

  • Se l'analisi di tutti i DAG richiede più dei secondi definiti in [core]dag_file_processor_timeout, aumenta il timeout.

  • Se l'analisi del DAG richiede molto tempo, può anche significare che non è implementato in modo ottimale. Ad esempio, se legge molte variabili di ambiente o esegue chiamate a servizi esterni o al database Airflow. Per quanto possibile, evita di eseguire queste operazioni nelle sezioni globali dei DAG.

  • Aumenta le risorse di CPU e memoria per lo scheduler in modo che possa funzionare più velocemente.

  • Regola il numero di scheduler.

  • Aumenta il numero di processi del processore DAG in modo che l'analisi possa essere eseguita più rapidamente. Puoi farlo aumentando il valore di [scheduler]parsing_process.

  • Riduci la frequenza di analisi dei DAG.

  • Riduci il carico sul database Airflow.

Sintomi del carico elevato del database Airflow

Per maggiori informazioni, consulta Sintomi del database Airflow sotto pressione di carico.

Passaggi successivi