Dados armazenados no Cloud Storage

Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1

Nesta página, você encontra informações sobre os dados que o Cloud Composer armazena no seu ambiente no Cloud Storage.

Quando você cria um ambiente, um bucket do Cloud Storage gerado pelo Cloud Composer é associado a ele. O nome do bucket é baseado na região do ambiente, no nome e em um ID aleatório, como us-central1-b1-6efabcde-bucket.

O Cloud Composer sincroniza pastas específicas no bucket do ambiente com componentes do Airflow que são executados nele. Por exemplo, quando você atualiza um arquivo com o código do DAG do Airflow no bucket do ambiente, os componentes do Airflow também recebem a versão atualizada. O Cloud Composer usa o Cloud Storage FUSE para sincronização.

Pastas no bucket do Cloud Storage

Pasta Caminho de armazenamento Diretório mapeado Descrição
DAG gs://bucket-name/dags /home/airflow/gcs/dags Armazena os DAGs do ambiente.
Plug-ins gs://bucket-name/plugins /home/airflow/gcs/plugins Armazena os plug-ins personalizados, como interfaces, sensores, hooks e operadores internos do Airflow.
Dados gs://bucket-name/data /home/airflow/gcs/data Armazena os dados gerados e usados pelas tarefas.
Registros gs://bucket-name/logs /home/airflow/gcs/logs Armazena os registros de tarefas do Airflow. Os registros também estão disponíveis na interface da Web do Airflow e na guia Logs no console do Google Cloud.

O Cloud Composer sincroniza as pastas dags/ e plugins/ de forma unidirecional. A sincronização unidirecional significa que as alterações locais nessas pastas em um componente do Airflow são substituídas. As pastas data/ e logs/ são sincronizadas de forma bidirecional.

A sincronização de dados tem consistência eventual. Para enviar mensagens entre operadores, use XComs.

Observações sobre capacidade

Os dados das pastas dags/, plugins/ e data/ são sincronizados com os programadores e workers do Airflow.

No Airflow 2, o conteúdo da pasta plugins/ também é sincronizado com o servidor da Web do Airflow. No Airflow 1, as pastas dags/ e plugins/ do conteúdo são sincronizadas com o servidor da Web do Airflow somente se a serialização de DAG estiver desativada. Caso contrário, a sincronização não será realizada.

Quanto mais dados forem colocados nessas pastas, mais espaço será ocupado no armazenamento local dos componentes do Airflow. Salvar muitos dados em dags/ e plugins/ pode interromper suas operações e causar problemas como:

  • Um worker ou um programador fica sem armazenamento local e é removido porque não há espaço suficiente no disco local do componente.

  • A sincronização de arquivos das pastas dags/ e plugins/ para workers e programadores leva muito tempo.

  • A sincronização de arquivos das pastas dags/ e plugins/ para workers e programadores se torna impossível. Por exemplo, você armazena um arquivo de 2 GB na pasta dags/, mas o disco local de um worker do Airflow só pode acomodar 1 GB. Durante a sincronização, o worker fica sem armazenamento local e a sincronização não pode ser concluída.

Pastas de DAGs e plug-ins

Para evitar falhas na execução de DAGs, armazene DAGs, plug-ins e módulos do Python nas pastas dags/ ou plugins/, mesmo que os módulos do Python não tenham DAGs ou plug-ins.

Por exemplo, você usa um DataFlowPythonOperator que faz referência a um pipeline do Dataflow py_file. Esse py_file não contém DAGs ou plug-ins, mas ainda precisa ser armazenado na pasta dags/ ou plugins/.

Pasta de dados

Há casos em que determinados arquivos da pasta data/ são sincronizados com um componente específico do Airflow. Por exemplo, quando o Cloud Composer tenta ler um determinado arquivo pela primeira vez durante:

  • Análise de DAG: quando um arquivo é lido pela primeira vez durante a análise de DAG, o Cloud Composer o sincroniza com o programador que analisa o DAG.

  • Execução de DAG: quando um arquivo é lido pela primeira vez durante a execução de DAG, o Cloud Composer o sincroniza com o worker que executa a execução.

Os componentes do Airflow têm armazenamento local limitado. Portanto, considere excluir arquivos transferidos por download para liberar espaço em disco nos componentes. O uso do armazenamento local também pode aumentar temporariamente se você tiver tarefas simultâneas que fazem o download do mesmo arquivo para um único worker do Airflow.

Pasta de registros

A pasta logs/ é sincronizada dos workers do Airflow para o bucket do ambiente usando a API Cloud Storage.

A cota da API Cloud Storage é calculada pela quantidade de dados movidos. Portanto, o número de tarefas do Airflow executadas pelo sistema pode aumentar o uso da API Cloud Storage: quanto mais tarefas você executar, maiores serão seus arquivos de registro.

Sincronização com o servidor da Web

O Airflow 2 usa a serialização de DAGs de forma nativa. A pasta plugins/ é sincronizada automaticamente com o servidor da Web para que os plug-ins possam ser carregados pela interface do Airflow. Não é possível desativar a serialização de DAG no Airflow 2.

No Airflow 1, a serialização de DAG é compatível e ativada por padrão no Cloud Composer.

  • Quando a serialização do DAG está ativada, os arquivos das pastas dags/ e plugins/ não são sincronizados com o servidor da Web.
  • Quando a serialização do DAG está desativada, os arquivos de dags/ e plugins/ são sincronizados com o servidor da Web.

A seguir