Soluciona problemas de DAG

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

En esta página, se proporcionan pasos para solucionar problemas y también información de problemas comunes del flujo de trabajo.

Muchos problemas de ejecución del DAG se deben a un rendimiento del entorno no óptimo. Para optimizar tu entorno de Cloud Composer 2, sigue los pasos de la guía Optimiza el rendimiento y los costos del entorno.

Algunos problemas de ejecución del DAG pueden deberse a que el programador de Airflow no funciona de forma óptima o correcta. Sigue las instrucciones para solucionar problemas del programador.

Flujo de trabajo para la solución de problemas

Para comenzar con la solución de problemas, siga estos pasos:

  1. Consulta los registros de Airflow.

    Puedes aumentar el nivel de registro de Airflow si anulas la siguiente opción de configuración de Airflow.

    Airflow 2

    Sección Clave Valor
    logging logging_level El valor predeterminado es INFO. Configúralo en DEBUG para obtener más verbosidad en los mensajes de registro.

    Airflow 1

    Sección Clave Valor
    core logging_level El valor predeterminado es INFO. Configúralo en DEBUG para obtener más verbosidad en los mensajes de registro.

  2. Verifica el Panel de Monitoring.

  3. Revisa Cloud Monitoring.

  4. En la consola de Google Cloud, verifica si hay errores en las páginas de los componentes de tu entorno.

  5. En la interfaz web de Airflow, consulta la Vista de gráfico del DAG para ver las instancias de tareas con errores.

    Sección Clave Valor
    webserver dag_orientation LR, TB, RL, oBT

Depura fallas del operador

Para depurar una falla del operador, sigue estos pasos:

  1. Verifica si hay errores específicos de la tarea.
  2. Consulta los registros de Airflow.
  3. Revisa Cloud Monitoring.
  4. Verifica los registros específicos del operador.
  5. Corrige los errores.
  6. Sube el DAG a la carpeta dags/.
  7. En la interfaz web de Airflow, borra los estados pasados del DAG.
  8. Reanuda o ejecuta el DAG.

Soluciona problemas de ejecución de tareas

Airflow es un sistema distribuido con muchas entidades, como programador, ejecutor, trabajadores que se comunican entre sí a través de una lista de tareas en cola y la base de datos de Airflow, y envían señales (como SIGTERM). En el siguiente diagrama, se muestra una descripción general de las interconexiones entre los componentes de Airflow.

Interacción entre los componentes de Airflow
Figura 1. Interacción entre los componentes de Airflow (haz clic para ampliar)

En un sistema distribuido como Airflow, es posible que haya algunos problemas de conectividad de red o que la infraestructura subyacente experimente problemas intermitentes. Esto puede generar situaciones en las que las tareas pueden fallar y reprogramarse para su ejecución, o puede que las tareas no se completen correctamente (por ejemplo, tareas zombi o que se bloquearon en la ejecución). Airflow dispone de mecanismos para lidiar con esas situaciones y reanudar automáticamente el funcionamiento normal. En las siguientes secciones, se explican problemas comunes que pueden ocurrir durante la ejecución de tareas de Airflow: tareas zombi, píldoras venenosas y señales SIGTERM.

Solución de problemas de tareas zombi

Airflow detecta dos tipos de discrepancia entre una tarea y un proceso que la ejecuta:

  • Las tareas zombi son tareas que deberían ejecutarse, pero no lo están. Esto puede ocurrir si el proceso de la tarea se cerró o no responde, si el trabajador de Airflow no informó el estado de una tarea a tiempo porque está sobrecargada o si la VM en la que se ejecuta la tarea se cerró. Airflow encuentra esas tareas periódicamente y falla o vuelve a intentar la tarea, según la configuración de la tarea.

    Descubre tareas zombi

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

  • Las tareas de zombis son tareas que no deberían ejecutarse. Airflow encuentra esas tareas periódicamente y las finaliza.

A continuación, se indican los motivos y las soluciones más comunes para las tareas zombie.

El trabajador de Airflow se quedó sin memoria

Cada trabajador de Airflow puede ejecutar hasta [celery]worker_concurrency instancias de tareas de forma simultánea. Si el consumo de memoria acumulativo de esas instancias de tareas supera el límite de memoria de un trabajador de Airflow, se finalizará un proceso aleatorio en él para liberar recursos.

Descubre eventos de memoria insuficiente del trabajador de Airflow

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

Soluciones:

Se expulsó el trabajador de Airflow

Las expulsiones de Pods son una parte normal de la ejecución de cargas de trabajo en Kubernetes. GKE expulsa los Pods si se quedaban sin almacenamiento o con el objetivo de liberar recursos para cargas de trabajo con una prioridad más alta.

Descubre expulsiones de trabajadores de Airflow

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

Soluciones:

Se cerró el trabajador de Airflow

Es posible que los trabajadores de Airflow se quiten de forma externa. Si las tareas en ejecución no finalizan durante un período de finalización ordenado, se interrumpirán y podrían terminar siendo detectadas como zombis.

Descubre las terminaciones de los Pods de los trabajadores de Airflow

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

Situaciones y soluciones posibles:

  • Los trabajadores de Airflow se reinician durante las modificaciones del entorno, como las actualizaciones o la instalación de paquetes:

    Descubre las modificaciones del entorno de Composer

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

    Puedes realizar esas operaciones cuando no se estén ejecutando tareas críticas o habilitar los reintentos de tareas.

  • Es posible que varios componentes no estén disponibles de forma temporal durante las operaciones de mantenimiento:

    Descubre las operaciones de mantenimiento de GKE

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

    Puedes especificar períodos de mantenimiento para minimizar las superposiciones con la ejecución de tareas críticas.

  • En las versiones anteriores a la 2.4.5 de Cloud Composer 2, un trabajador de Airflow final podría ignorar la señal SIGTERM y continuar ejecutando tareas:

    Descubre cómo reducir la escala verticalmente con el ajuste de escala automático de Composer

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

    Puedes actualizar a una versión posterior de Cloud Composer en la que se solucione este problema.

El trabajador de Airflow estaba bajo una gran carga

La cantidad de recursos de CPU y memoria disponibles para un trabajador de Airflow está limitada por la configuración del entorno. Si un uso se acerca a los límites, provocaría una contención de recursos y retrasos innecesarios durante la ejecución de la tarea. En situaciones extremas, cuando los recursos faltan durante períodos más prolongados, esto podría causar tareas zombis.

Soluciones:

La base de datos de Airflow estaba muy cargada

Varios componentes de Airflow usan una base de datos para comunicarse entre sí y, en particular, para almacenar las señales de monitoreo de funcionamiento de las instancias de tareas. La escasez de recursos en la base de datos provocará tiempos de consulta más largos y podría afectar la ejecución de una tarea.

Soluciones:

La base de datos de Airflow no estaba disponible en este momento

Un trabajador de Airflow puede tardar en detectar y manejar de forma correcta los errores intermitentes, como los problemas de conectividad temporales. Es posible que supere el umbral de detección de zombis predeterminado.

Descubre los tiempos de espera de la señal de monitoreo de funcionamiento de Airflow

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

Soluciones:

  • Aumenta el tiempo de espera para las tareas zombi y anula el valor de la opción [scheduler]scheduler_zombie_task_threshold de configuración de Airflow:

    Sección Clave Valor Notas
    scheduler scheduler_zombie_task_threshold Tiempo de espera nuevo (en segundos) El valor predeterminado es 300.

Solución de problemas de la píldora venenosa

Poison Pill es un mecanismo que usa Airflow para cerrar sus tareas.

Airflow usa la píldora venenosa en las siguientes situaciones:

  • Cuando un programador finaliza una tarea que no se completó a tiempo.
  • Cuando se agota el tiempo de espera de una tarea o se ejecuta por mucho tiempo.

Cuando Airflow usa Poison Pill, puedes ver las siguientes entradas de registro en los registros de un trabajador de Airflow que ejecutó la tarea:

  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.

Soluciones posibles:

  • Revisa el código de la tarea para ver si hay errores que puedan provocar que se ejecute durante demasiado tiempo.
  • (Cloud Composer 2) Aumenta la CPU y la memoria para los trabajadores de Airflow, de modo que las tareas se ejecuten más rápido.

  • Aumenta el valor de la opción [celery_broker_transport_options]visibility-timeout de configuración de Airflow.

    Como resultado, el programador espera más tiempo para que se complete una tarea antes de considerar que la tarea es zombi. Esta opción es especialmente útil para las tareas que consumen mucho tiempo y duran muchas horas. Si el valor es demasiado bajo (por ejemplo, 3 horas), el programador considera que las tareas que se ejecutan durante 5 o 6 horas están "suspendidas" (tareas zombi).

  • Aumenta el valor de la opción [core]killed_task_cleanup_time de configuración de Airflow.

    Un valor más largo proporciona más tiempo a los trabajadores de Airflow para que finalicen sus tareas con facilidad. Si el valor es demasiado bajo, es posible que las tareas de Airflow se interrumpan de forma abrupta, sin tiempo suficiente para finalizar su trabajo de manera correcta.

Solución de problemas de las señales SIGTERM

Linux, Kubernetes, el programador de Airflow y Celery usan las señales SIGTERM para finalizar los procesos responsables de ejecutar trabajadores o tareas de Airflow.

Puede haber varios motivos por los cuales las señales SIGTERM se envían en un entorno:

  • Una tarea se convirtió en una tarea zombi y debe detenerse.

  • El programador descubrió un duplicado de una tarea y envía señales de la píldora venenosa y SIGTERM a la tarea para detenerla.

  • En el ajuste de escala automático horizontal de Pods, el plano de control de GKE envía señales SIGTERM para quitar los Pods que ya no son necesarios.

  • El programador puede enviar señales SIGTERM al proceso DagFileProcessorManager. El programador utiliza esas señales SIGTERM para administrar el ciclo de vida del proceso de DagFileProcessorManager y se pueden ignorar de forma segura.

    Ejemplo:

    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.

  • Condición de carrera entre la devolución de llamada de monitoreo de funcionamiento y las devoluciones de llamada de salida en local_task_job, que supervisa la ejecución de la tarea. Si la señal de monitoreo de funcionamiento detecta que una tarea se marcó como exitosa, no podrá distinguir si la tarea en sí se realizó correctamente o si se le indicó a Airflow que la considerara exitosa. Sin embargo, finalizará un ejecutor de tareas sin esperar a que se cierre.

    Estas señales SIGTERM se pueden ignorar de forma segura. La tarea ya se encuentra en estado correcto y la ejecución de la ejecución del DAG en su totalidad no se verá afectada.

    La entrada de registro Received SIGTERM. es la única diferencia entre la salida normal y la finalización de la tarea en estado correcto.

    Condición de carrera entre la señal de monitoreo de funcionamiento y las devoluciones de llamada de salida
    Figura 2: Condición de carrera entre la señal de monitoreo de funcionamiento y las devoluciones de llamada de salida (haz clic para ampliar)

  • Un componente de Airflow usa más recursos (CPU, memoria) de los que permite el nodo del clúster.

  • El servicio de GKE realiza operaciones de mantenimiento y envía señales SIGTERM a los Pods que se ejecutan en un nodo que está a punto de actualizarse. Cuando una instancia de tarea finaliza con SIGTERM, puedes ver las siguientes entradas de registro en los registros de un trabajador de Airflow que ejecutó la tarea:

{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

Soluciones posibles:

Este problema ocurre cuando una VM que ejecuta la tarea se queda sin memoria. Esto no está relacionado con la configuración de Airflow, sino con la cantidad de memoria disponible para la VM.

El aumento de la memoria depende de la versión de Cloud Composer que uses. Por ejemplo:

  • En Cloud Composer 2, puedes asignar más recursos de CPU y memoria a los trabajadores de Airflow.

  • En el caso de Cloud Composer 1, puedes volver a crear tu entorno con un tipo de máquina con más rendimiento.

  • En ambas versiones de Cloud Composer, puedes reducir el valor de la opción de configuración de simultaneidad [celery]worker_concurrency de Airflow. Esta opción determina cuántas tareas ejecuta un trabajador determinado de Airflow de forma simultánea.

Para obtener más información sobre cómo optimizar tu entorno de Cloud Composer 2, consulta Optimiza el rendimiento y los costos del entorno

Consultas de Cloud Logging para descubrir los motivos de los reinicios o las expulsiones de un Pod

Los entornos de Cloud Composer usan clústeres de GKE como capa de infraestructura de procesamiento. En esta sección, podrás encontrar consultas útiles que te ayudarán a determinar los motivos de los reinicios o las expulsiones del trabajador de Airflow o del programador de Airflow.

Las consultas que se presentan a continuación podrían ajustarse de la siguiente manera:

  • puedes especificar un cronograma que te interese en Cloud Logging, como las últimas 6 horas

  • debes especificar el CLUSTER_NAME de Cloud Composer

  • también puedes limitar la búsqueda a un Pod específico si agregas el POD_NAME

Descubre contenedores reiniciados

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

Consulta alternativa para limitar los resultados a un Pod específico:

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

Descubre el cierre de contenedores debido a un evento de memoria insuficiente

    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 los resultados a un 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"

Descubre contenedores que dejaron de ejecutarse

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

Consulta alternativa para limitar los resultados a un Pod específico:

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

Impacto de las operaciones de actualización en las ejecuciones de tareas de Airflow

Las operaciones de actualización o actualización interrumpen las tareas de Airflow que se ejecutan actualmente, a menos que una tarea se ejecute en el modo diferible.

Recomendamos realizar estas operaciones cuando se espere un impacto mínimo en las ejecuciones de tareas de Airflow y configurar mecanismos de reintento adecuados en tus DAG y tareas.

Soluciona problemas de tareas de KubernetesExecutor

CeleryKubernetesExecutor es un tipo de ejecutor de Cloud Composer 3 que puede usar CeleryExecutor y KubernetesExecutor al mismo tiempo.

Consulta la página Cómo usar CeleryKubernetesExecutor para obtener más información sobre la solución de problemas de tareas ejecutadas con KubernetesExecutor.

Problemas comunes

En las siguientes secciones, se describen los síntomas y las posibles soluciones para algunos problemas comunes del DAG.

Negsignal.SIGKILL interrumpió la tarea de Airflow

A veces, tu tarea puede usar más memoria de la que se asigna al trabajador de Airflow. En ese caso, es posible que Negsignal.SIGKILL la interrumpa. El sistema envía esta señal para evitar un mayor consumo de memoria, lo que podría afectar la ejecución de otras tareas de Airflow. En el registro del trabajador de Airflow, es posible que veas la siguiente entrada de registro:

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

Negsignal.SIGKILL también puede aparecer como código -9.

Soluciones posibles:

  • Un worker_concurrency inferior de trabajadores de Airflow.

  • En el caso de Cloud Composer 2, aumenta la memoria de los trabajadores de Airflow.

  • En el caso de Cloud Composer 1, actualiza al tipo de máquina más grande que se usa en el clúster de Cloud Composer.

  • Optimiza tus tareas para usar menos memoria.

  • Administra tareas que requieren muchos recursos en Cloud Composer mediante KubernetesPodOperator o GKEStartPodOperator para el aislamiento de tareas y la asignación personalizada de recursos.

La tarea falla sin emitir registros debido a errores de análisis del DAG

A veces, puede haber errores de DAG sutiles que generen una situación en la que un programador y un procesador de DAG de Airflow pueden programar tareas para su ejecución y analizar un archivo DAG (respectivamente), pero el trabajador de Airflow no puede ejecutar tareas desde ese DAG, ya que hay errores de programación en el archivo DAG de Python. Esto podría generar una situación en la que una tarea de Airflow está marcada como Failed y no hay un registro de su ejecución.

Soluciones:

  • Verifica en los registros del trabajador de Airflow que no haya errores generados por el trabajador de Airflow relacionados con errores de análisis o DAG faltantes.

  • Aumenta los parámetros relacionados con el análisis del DAG:

  • Consulta también Inspecciona los registros del procesador de DAG.

La tarea falla sin emitir registros debido a la presión de recursos

Síntoma: Durante la ejecución de una tarea, el subproceso del trabajador de Airflow responsable de la ejecución de la tarea de Airflow se interrumpe de forma abrupta. El error visible en el registro del trabajador de Airflow puede ser similar al siguiente:

...
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
...

Solución:

La tarea falla sin emitir registros debido a la expulsión del Pod

Los Pods de Google Kubernetes Engine están sujetos al ciclo de vida de los Pods de Kubernetes y a su expulsión. Los aumentos de tareas y la programación conjunta de trabajadores son las dos causas más comunes de la expulsión de Pods en Cloud Composer.

La expulsión de pods puede ocurrir cuando un pod en particular usa recursos de un nodo, en relación con las expectativas de consumo de recursos configuradas para el nodo. Por ejemplo, una expulsión puede ocurrir cuando se ejecutan varias tareas que consumen mucha memoria en un Pod y su carga combinada hace que el nodo en el que se ejecuta este Pod supere el límite de consumo de memoria.

Si se expulsa un pod de trabajador de Airflow, todas las instancias de tareas que se ejecutan en ese pod se interrumpen y, luego, se marcan como con errores en Airflow.

Los registros están almacenados en búfer. Si se expulsa un pod trabajador antes de que se vacíe el búfer, no se emiten registros. La falla de la tarea sin registros indica que los trabajadores de Airflow se reiniciaron debido a la falta de memoria (OOM). Algunos registros pueden estar presentes en Cloud Logging, aunque los registros de Airflow no se hayan emitido.

Para ver los registros, haz lo siguiente:

  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.

  4. Visualiza los registros de trabajadores individuales en Todos los registros -> Registros de Airflow -> Trabajadores -> (trabajador individual).

La ejecución del DAG tiene capacidad de memoria limitada. Cada ejecución de la tarea comienza con dos procesos de Airflow: ejecución de la tarea y supervisión. Actualmente, cada nodo puede realizar hasta 6 tareas simultáneas (aproximadamente 12 procesos cargados con módulos de Airflow). Se puede consumir más memoria, según el tamaño del DAG.

Síntoma:

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

    Ir a Cargas de trabajo

  2. Si hay pods airflow-worker que muestran Evicted, haz clic en cada pod expulsado y busca el mensaje The node was low on resource: memory en la parte superior de la ventana.

Solución:

  • En Cloud Composer 1, crea un nuevo entorno de Cloud Composer con un tipo de máquina más grande que el tipo de máquina actual.
  • En Cloud Composer 2, aumenta los límites de memoria para los trabajadores de Airflow.
  • Revisa los registros de airflow-worker Pods para detectar posibles causas de expulsión. Para obtener más información sobre la recuperación de registros de Pods individuales, consulta Soluciona problemas con las cargas de trabajo implementadas.
  • Asegúrate de que las tareas del DAG sean idempotentes y se puedan reintentar.

  • Evita descargar archivos innecesarios en el sistema de archivos local de los trabajadores de Airflow.

    Los trabajadores de Airflow tienen una capacidad limitada del sistema de archivos local. Por ejemplo, en Cloud Composer 2, un trabajador puede tener de 1 GB a 10 GB de almacenamiento. Cuando se agota el espacio de almacenamiento, el plano de control de GKE expulsa el Pod de trabajador de Airflow. Esto falla en todas las tareas que ejecutaba el trabajador expulsado.

    Ejemplos de operaciones problemáticas:

    • Descargar objetos o archivos y almacenarlos de forma local en un trabajador de Airflow En su lugar, almacena estos objetos directamente en un servicio adecuado, como un bucket de Cloud Storage.
    • Acceso a objetos grandes en la carpeta /data desde un trabajador de Airflow. El trabajador de Airflow descarga el objeto en su sistema de archivos local. En su lugar, implementa los DAG para que los archivos grandes se procesen fuera del Pod trabajador de Airflow.

Tiempo de espera de importación de carga de DAG

Síntoma:

  • En la interfaz web de Airflow, en la parte superior de la página de lista de DAG, un cuadro de alerta rojo muestra Broken DAG: [/path/to/dagfile] Timeout.

  • En Cloud Monitoring: los registros airflow-scheduler contienen entradas similares a las siguientes:

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

Solución:

Anula la opción de configuración dag_file_processor_timeout de Airflow y da más tiempo para el análisis del DAG:

Sección Clave Valor
core dag_file_processor_timeout Nuevo valor del tiempo de espera

La ejecución del DAG no finaliza dentro del tiempo esperado

Síntoma:

A veces, una ejecución de DAG no finaliza porque las tareas de Airflow se detienen y la ejecución del DAG dura más de lo esperado. En condiciones normales, las tareas de Airflow no permanecen de forma indefinida en el estado en cola o en ejecución, ya que Airflow tiene procedimientos de limpieza y tiempo de espera que ayudan a evitar esta situación.

Solución:

  • Usa el parámetro dagrun_timeout para los DAG. Por ejemplo: dagrun_timeout=timedelta(minutes=120). Como resultado, cada ejecución del DAG debe finalizar dentro del tiempo de espera de ejecución del DAG y las tareas no finalizadas se deben marcar como Failed o Upstream Failed. Para obtener más información sobre los estados de las tareas de Airflow, consulta la documentación de Apache Airflow.

  • Usa el parámetro tiempo de espera de ejecución de tareas para definir un tiempo de espera predeterminado para las tareas que se ejecutan en función de los operadores de Apache Airflow.

No se ejecutaron las ejecuciones de DAG

Síntoma:

Cuando una fecha de programación para un DAG se establece de forma dinámica, esto puede generar varios efectos secundarios inesperados. Por ejemplo:

  • Una ejecución de DAG siempre es en el futuro, y el DAG nunca se ejecuta.

  • Las ejecuciones de DAG anteriores se marcan como ejecutadas y correctas a pesar de que no se ejecutaron.

Hay más información disponible en la documentación de Apache Airflow.

Solución:

  • Sigue las recomendaciones en la documentación de Apache Airflow.

  • Establece un start_date estático para los DAG. Como opción, puedes usar catchup=False para inhabilitar la ejecución del DAG en fechas anteriores.

  • Evita usar datetime.now() o days_ago(<number of days>), a menos que conozcas los efectos secundarios de este enfoque.

Mayor tráfico de red desde y hacia la base de datos de Airflow

La cantidad de tráfico de red entre el clúster de GKE de tu entorno y la base de datos de Airflow depende de la cantidad de DAG, de tareas en DAG, y de cómo los DAG acceden a los datos en la base de datos de Airflow. Los siguientes factores pueden influir en el uso de la red:

  • Consultas a la base de datos de Airflow Si tus DAG realizan muchas consultas, generan grandes cantidades de tráfico. Por ejemplo, verificar el estado de las tareas antes de continuar con otras tareas, consultar la tabla XCom y volcar el contenido de la base de datos de Airflow.

  • Gran cantidad de tareas. Cuantas más tareas haya para programar, más tráfico de red se generará. Esta consideración se aplica a la cantidad total de tareas en tus DAG y a la frecuencia de programación. Cuando el programador de Airflow programa las ejecuciones de DAG, realiza consultas a la base de datos de Airflow y genera tráfico.

  • La interfaz web de Airflow genera tráfico de red, ya que realiza consultas a la base de datos de Airflow. El uso intensivo de páginas con grafos, tareas y diagramas puede generar grandes volúmenes de tráfico de red.

El DAG provoca una falla en el servidor web de Airflow o hace que muestre un error 502 gateway timeout

Las fallas del servidor web pueden ocurrir por varias razones diferentes. Verifica los registros de airflow-webserver en Cloud Logging para determinar la causa del error 502 gateway timeout.

Procesamiento pesado

Esta sección solo se aplica a Cloud Composer 1.

Evita ejecutar procesamientos pesados durante el tiempo de análisis del DAG.

A diferencia de los nodos trabajadores y programadores, cuyos tipos de máquinas se pueden personalizar para tener una mayor capacidad de CPU y memoria, el servidor web usa un tipo de máquina fijo, lo que puede provocar fallas de análisis del DAG si el cálculo del tiempo de análisis es muy pesado.

Ten en cuenta que el servidor web tiene 2 CPU virtuales y 2 GB de memoria. El valor predeterminado para core-dagbag_import_timeout es 30 segundos. Este valor de tiempo de espera define el límite superior de tiempo que Airflow pasa cargando un módulo de Python en la carpeta dags/.

Permisos incorrectos

Esta sección solo se aplica a Cloud Composer 1.

El servidor web no se ejecuta con la misma cuenta de servicio que los trabajadores y el programador. Por lo tanto, es posible que los trabajadores y el programador puedan acceder a los recursos administrados por el usuario a los que el servidor web no puede acceder.

Te recomendamos que evites acceder a recursos no públicos durante el análisis del DAG. A veces, esto es inevitable y deberás otorgar permisos a la cuenta de servicio del servidor web. El nombre de la cuenta de servicio se deriva del dominio de tu servidor web. Por ejemplo, si el dominio es example-tp.appspot.com, la cuenta de servicio es example-tp@appspot.gserviceaccount.com.

Errores del DAG

Esta sección solo se aplica a Cloud Composer 1.

El servidor web se ejecuta en App Engine y es independiente del clúster de GKE de tu entorno. El servidor web analiza los archivos de definición del DAG, y puede mostrarse un mensaje 502 gateway timeout si hay errores en el DAG. Airflow funciona normalmente sin un servidor web funcional si el DAG problemático no interrumpe ningún proceso que se ejecute en GKE. En este caso, puedes usar gcloud composer environments run para recuperar detalles de tu entorno y como una solución alternativa en caso de que el servidor web no esté disponible.

En otros casos, puedes ejecutar el análisis del DAG en GKE y buscar DAG que arrojen excepciones críticas de Python o para los que se haya agotado el tiempo de espera (30 segundos predeterminados). Para solucionar el problema, conéctate a un shell remoto en un contenedor de trabajador de Airflow y prueba los errores de sintaxis. Para obtener más información, consulta Probar DAG.

Control de una gran cantidad de DAG y complementos en carpetas de DAG y complementos

El contenido de las carpetas /dags y /plugins se sincroniza desde el bucket de tu entorno con los sistemas de archivos locales de los trabajadores y programadores de Airflow.

Cuantos más datos se almacenen en estas carpetas, más tiempo llevará realizar la sincronización. Para abordar dichas situaciones:

  • Limita la cantidad de archivos en las carpetas /dags y /plugins. Almacena solo la cantidad mínima de archivos necesarios.

  • Si es posible, aumenta el espacio en el disco disponible para los programadores y trabajadores de Airflow.

  • Si es posible, aumenta la CPU y la memoria de los programadores y trabajadores de Airflow para que la operación de sincronización se realice más rápido.

  • Si hay una gran cantidad de DAG, divídelos en lotes, comprímelos en archivos ZIP y, luego, impleméntalos en la carpeta /dags. Este enfoque acelera el proceso de sincronización de los DAG. Los componentes de Airflow descomprimen los archivos ZIP antes de procesar los DAG.

  • Generar DAG de forma programática también puede ser un método para limitar la cantidad de archivos DAG almacenados en la carpeta /dags. Consulta la sección sobre DAG programáticos para evitar problemas con la programación y la ejecución de DAG generados de manera programática.

No programes DAG generados de manera programática al mismo tiempo

La generación de objetos DAG de manera programática desde un archivo DAG es un método eficiente para crear muchos DAG similares que solo tienen pequeñas diferencias.

Es importante no programar todos estos DAG para su ejecución de inmediato. Existe una alta posibilidad de que los trabajadores de Airflow no tengan suficientes recursos de CPU y memoria para ejecutar todas las tareas que se programaron al mismo tiempo.

Para evitar problemas con la programación de DAG programáticos, sigue estos pasos:

  • Aumenta la simultaneidad de trabajadores y escala verticalmente tu entorno para que pueda ejecutar más tareas de forma simultánea.
  • Genera DAG de modo que se distribuyan sus programas de manera uniforme a lo largo del tiempo para evitar programar cientos de tareas al mismo tiempo, de modo que los trabajadores de Airflow tengan tiempo de ejecutar todas las tareas programadas.

Error 504 cuando se accede al servidor web de Airflow

Consulta el error 504 cuando se accede a la IU de Airflow.

Se genera la excepción Lost connection to Postgres / MySQL server during query durante la ejecución de la tarea o justo después de ella

Las excepciones Lost connection to Postgres / MySQL server during query suelen ocurrir cuando se cumplen las siguientes condiciones:

  • El DAG usa PythonOperator o un operador personalizado.
  • El DAG realiza consultas a la base de datos de Airflow.

Si se realizan varias consultas desde una función que admite llamadas, los objetos tracebacks pueden apuntar de forma incorrecta a la línea self.refresh_from_db(lock_for_update=True) en el código de Airflow. Es la primera consulta de la base de datos después de la ejecución de la tarea. La causa real de la excepción ocurre antes de esto, cuando una sesión de SQLAlchemy no se cierra de forma correcta.

Las sesiones de SQLAlchemy se limitan a un subproceso y se crean en una sesión de función que admite llamadas que pueden continuar más adelante dentro del código de Airflow. Si hay retrasos significativos entre las consultas dentro de una sesión, es posible que el servidor de Postgres o MySQL ya haya cerrado la conexión. El tiempo de espera de conexión en los entornos de Cloud Composer se establece en alrededor de 10 minutos.

Solución:

  • Usa el decorador airflow.utils.db.provide_session. Este decorador proporciona una sesión válida a la base de datos de Airflow en el parámetro session y cierra la sesión de forma correcta al final de la función.
  • No uses una sola función de larga duración. En cambio, mueve todas las consultas de base de datos a funciones separadas, de modo que haya varias funciones con el decorador airflow.utils.db.provide_session. En este caso, las sesiones se cierran de forma automática después de recuperar los resultados de la consulta.

Control del tiempo de ejecución de DAG, tareas y ejecuciones paralelas de un mismo DAG

Si deseas controlar cuánto dura una sola ejecución de DAG de un DAG específico, puedes usar el parámetro de DAG dagrun_timeout para hacerlo. Por ejemplo, si esperas que una sola ejecución de DAG (independientemente de si la ejecución finaliza con éxito o con errores) no debe durar más de 1 hora, configura este parámetro en 3,600 segundos.

También puedes controlar cuánto tiempo permites que dure una sola tarea de Airflow. Para hacerlo, puedes usar execution_timeout.

Si deseas controlar cuántas ejecuciones de DAG activas deseas tener para un DAG en particular, puedes usar la opción de configuración de Airflow [core]max-active-runs-per-dag para hacerlo.

Si solo deseas ejecutar una instancia de un DAG en un momento dado, establece el parámetro max-active-runs-per-dag en 1.

Problemas que afectan la sincronización de DAG y complementos con programadores, trabajadores y servidores web

Cloud Composer sincroniza el contenido de las carpetas /dags y /plugins con los programadores y los trabajadores. Determinados objetos en las carpetas /dags y /plugins pueden impedir que esta sincronización funcione correctamente o, al menos, ralentizarla.

  • La carpeta /dags está sincronizada con programadores y trabajadores. Esta carpeta no está sincronizada con los servidores web en Cloud Composer 2 ni si activas DAG Serialization en Cloud Composer 1.

  • La carpeta /plugins está sincronizada con programadores, trabajadores y servidores web.

Puedes encontrar los siguientes problemas:

  • Subiste archivos comprimidos en gzip que usan transcodificación de compresión a las carpetas /dags y /plugins. Por lo general, sucede si usas el comando gsutil cp -Z para subir datos al bucket.

    Solución: Borra el objeto que usó la transcodificación de compresión y vuelve a subirlo al bucket.

  • Uno de los objetos se llama ".", este no se sincroniza con los programadores ni los trabajadores, y podría detener la sincronización en absoluto.

    Solución: Cambia el nombre del objeto problemático.

  • Una carpeta y un archivo de DAG de Python tienen los mismos nombres, por ejemplo, a.py. En este caso, el archivo DAG no está sincronizado correctamente con los componentes de Airflow.

    Solución: Quita la carpeta que tiene el mismo nombre que un archivo DAG de Python.

  • Uno de los objetos en las carpetas /dags o /plugins contiene un símbolo / al final del nombre del objeto. Estos objetos pueden confundir el proceso de sincronización, ya que el símbolo / indica que un objeto es una carpeta, no un archivo.

    Solución: Quita el símbolo / del nombre del objeto problemático.

  • No almacenes archivos innecesarios en las carpetas /dags y /plugins.

    A veces, los DAG y los complementos que implementas van acompañados de archivos adicionales, como archivos que almacenan pruebas para estos componentes. Estos archivos se sincronizan con los trabajadores y programadores, y afectan el tiempo necesario para copiarlos en los programadores, trabajadores y servidores web.

    Solución: No almacenes ningún archivo adicional e innecesario en las carpetas /dags y /plugins.

Los programadores y trabajadores generan el error Done [Errno 21] Is a directory: '/home/airflow/gcs/dags/...'

Este problema se debe a que los objetos pueden tener un espacio de nombres superpuesto en Cloud Storage, mientras que, al mismo tiempo, los programadores y trabajadores usan sistemas de archivos tradicionales. Por ejemplo, es posible agregar una carpeta y un objeto con el mismo nombre al bucket de un entorno. Cuando el bucket se sincroniza con los programadores y los trabajadores del entorno, se genera este error, lo que puede provocar que las tareas fallen.

Para solucionar este problema, asegúrate de que no haya espacios de nombres superpuestos en el bucket del entorno. Por ejemplo, si tanto /dags/misc (un archivo) como /dags/misc/example_file.txt (otro archivo) están en un bucket, el programador genera un error.

Interrupciones transitorias durante la conexión a la base de datos de metadatos de Airflow

Cloud Composer se ejecuta en una infraestructura de nube distribuida. Esto significa que, de vez en cuando, pueden aparecer algunos problemas transitorios y que podrían interrumpir la ejecución de tus tareas de Airflow.

En esas situaciones, es posible que veas los siguientes mensajes de error en los registros de los trabajadores de Airflow:

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

o

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

Estos problemas intermitentes también pueden deberse a las operaciones de mantenimiento realizadas para los entornos de Cloud Composer.

Por lo general, estos errores son intermitentes y, si tus tareas de Airflow son idempotentes y tienes reintentos configurados, debes ser inmune a ellos. También puedes considerar definir períodos de mantenimiento.

Un motivo adicional de estos errores podría ser la falta de recursos en el clúster de tu entorno. En esos casos, puedes optimizar o escalar verticalmente tu entorno como se describe en las instrucciones de Escalamiento de entornos o Optimiza tu entorno.

Una ejecución de DAG se marca como exitosa, pero no tiene tareas ejecutadas

Si una ejecución del DAG execution_date es anterior a su start_date, es posible que veas ejecuciones de DAG que no tienen ninguna ejecución de tareas, pero que siguen marcadas como correctas.

Una ejecución exitosa del DAG sin tareas ejecutadas
Figura 3: Una ejecución exitosa del DAG sin tareas ejecutadas (haz clic para ampliar)

Causa

Esto puede ocurrir en uno de los siguientes casos:

  • La diferencia de zona horaria entre execution_date y start_date del DAG causa una discrepancia. Puede ocurrir, por ejemplo, cuando usas pendulum.parse(...) para configurar start_date.

  • El start_date del DAG está configurado en un valor dinámico, por ejemplo airflow.utils.dates.days_ago(1).

Solución

  • Asegúrate de que execution_date y start_date usen la misma zona horaria.

  • Especifica un start_date estático y combínalo con catchup=False para evitar ejecutar DAG con fechas de inicio anteriores.

Un DAG no es visible en la IU de Airflow o en la IU del DAG y el programador no lo programa

El procesador de DAG analiza cada DAG antes de que el programador pueda programarlo y antes de que un DAG se vuelva visible en la IU de Airflow o la IU de DAG.

Con las siguientes opciones de configuración de Airflow, se definen tiempos de espera para analizar los DAG:

Si un DAG no es visible en la IU de Airflow o en la IU del DAG, haz lo siguiente:

  • Verifica los registros del procesador de DAG si este puede procesar tu DAG de forma correcta. Si tienes problemas, es posible que veas las siguientes entradas de registro en los registros del procesador de DAG o del 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.
  • Verifica los registros del programador para ver si este funciona correctamente. En caso de que haya problemas, es posible que veas las siguientes entradas de registro en los registros del programador:
DagFileProcessorManager (PID=732) last sent a heartbeat 240.09 seconds ago! Restarting it
Process timed out, PID: 68496

Soluciones:

  • Corrige todos los errores de análisis del DAG. El procesador de DAG analiza varios DAG y, en casos excepcionales, analizar los errores de un DAG puede afectar negativamente el análisis de otros DAG.

  • Si el análisis de tu DAG tarda más de la cantidad de segundos definida en [core]dagrun_import_timeout, aumenta este tiempo de espera.

  • Si el análisis de todos tus DAG tarda más de la cantidad de segundos definidos en [core]dag_file_processor_timeout, aumenta este tiempo de espera.

  • Si tu DAG tarda mucho en analizarse, también puede significar que no se implementó de manera óptima. Por ejemplo, si lee muchas variables de entorno o realiza llamadas a servicios externos o a la base de datos de Airflow. En la medida de lo posible, evita realizar esas operaciones en secciones globales de DAG.

  • Aumenta los recursos de CPU y memoria de Scheduler para que pueda funcionar más rápido.

  • Ajusta la cantidad de programadores.

  • Aumenta la cantidad de procesos del procesador de DAG para que el análisis se pueda realizar más rápido. Para ello, aumenta el valor de [scheduler]parsing_process.

  • Disminuye la frecuencia del análisis del DAG.

  • Disminuye la carga en la base de datos de Airflow.

Síntomas de que la base de datos de Airflow está sobrecargada

Para obtener más información, consulta Síntomas de que la base de datos de Airflow está bajo presión.

¿Qué sigue?