Solucionar problemas de DAG

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

En esta página, se proporcionan información y pasos para solucionar problemas comunes en el 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 que se indican en la página de optimización y los costos del entorno.

El programador de Airflow puede causar algunos problemas de ejecución del DAG no funcione de forma óptima ni correcta. Sigue las instrucciones para solucionar problemas del programador para resolver estos problemas.

Flujo de trabajo para la solución de problemas

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

  1. Consulta los registros de Airflow.

    Para aumentar el nivel de registro de Airflow, anula 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. Establece 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, busca 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 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, borrar los estados pasados para el DAG.
  8. Reanuda o ejecuta el DAG.

Soluciona problemas de ejecución de tareas

Airflow es un sistema distribuido con muchas entidades, como programador, ejecutor, de trabajadores que se comunican entre sí a través de una lista de tareas en cola y Airflow y enviar 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 componentes de Airflow (haz clic para ampliar)

En un sistema distribuido como Airflow, puede haber cierta conectividad de red problemas o la infraestructura subyacente puede experimentar problemas intermitentes. Esto puede dar lugar a situaciones en las que las tareas pueden fallar y reprogramarse ejecución o que las tareas no se completen con éxito (por ejemplo, tareas o tareas que quedaron atascadas en la ejecución). Airflow dispone de mecanismos para manejar en estas situaciones y reanudar automáticamente el funcionamiento normal. En las siguientes secciones, se explican los problemas habituales que se producen durante la ejecución de tareas por parte de Airflow: tareas zombi, píldoras venenosas y señales SIGTERM.

Solución de problemas de tareas zombi

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

  • Las tareas zombi son tareas que se supone que se están ejecutando, pero no es así. Esto puede ocurrir si el proceso de la tarea se cerró o no está responder, si el trabajador de Airflow no informó el estado de una tarea a tiempo porque está sobrecargada o si se cerró la VM en la que se ejecuta la tarea. Airflow encuentra esas tareas periódicamente y falla o reintenta 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 inactivas son tareas que no deberían estar en ejecución. Hallazgos de Airflow estas tareas de forma periódica 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 podría ejecutar hasta [celery]worker_concurrency instancias de tareas simultáneamente. Si un consumo de memoria acumulativo de esas instancias de tareas de memoria para un trabajador de Airflow, se generará finalizar 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"
jsonPayload.message:("airflow task" OR "celeryd")

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 pods si se quedan sin almacenamiento o para 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 actualmente las tareas en ejecución no que aún no terminan durante un período de rescisión ordenada, estas se interrumpirán y podrían terminan siendo detectados como zombis.

Descubre las terminaciones de pods de 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 actualizaciones o 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")

    Puede realizar esas operaciones cuando no hay tareas críticas en ejecución o habilitar reintentos de tarea.

  • Es posible que varios componentes no estén disponibles temporalmente 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 se superpone con la ejecución de tareas críticas.

  • En las versiones de Cloud Composer 2 anteriores a la 2.4.5, es posible que un trabajador de Airflow que se cancela ignore la señal SIGTERM y siga ejecutando tareas:

    Descubre cómo reducir la escala verticalmente con el escalamiento 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 corrigió este problema.

El trabajador de Airflow estaba bajo una carga pesada

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, causaría una contención de recursos y retrasos innecesarios durante la tarea ejecución. En situaciones extremas, cuando los recursos carecen durante períodos más largos tiempo, esto podría provocar tareas zombis.

Soluciones:

La base de datos de Airflow estaba bajo una carga pesada

Varios componentes de Airflow usan una base de datos para comunicarse entre sí. en particular, para almacenar las pulsaciones de las instancias de tareas. Escasez de recursos en la de la base de datos generará tiempos de consulta más largos y podría afectar la ejecución de una tarea.

Soluciones:

La base de datos de Airflow no estuvo disponible temporalmente

Un trabajador de Airflow puede tardar un tiempo en detectar y controlar de forma fluida los errores intermitentes, como los problemas de conectividad temporales. Es posible que supere el valor predeterminado de detección de zombis.

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 de las tareas zombi y anula el valor de la opción de configuración [scheduler]scheduler_zombie_task_threshold de Airflow:

    Sección Clave Valor Notas
    scheduler scheduler_zombie_task_threshold Nuevo tiempo de espera agotado (en segundos) El valor predeterminado es 300.

Solución de problemas de la píldora venenosa

Píldora envenenada es un mecanismo que usa Airflow para cerrar tareas de Airflow.

Airflow usa la píldora venenosa en las siguientes situaciones:

  • Cuando un programador finaliza una tarea que no se completó a tiempo.
  • Cuando una tarea se agota o se ejecuta durante demasiado 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 Airflow trabajadores, para que las tareas se ejecuten más rápido.

  • Aumentar el valor de la [celery_broker_transport_options]visibility-timeout Configuración de Airflow de 12 a 1 con la nueva opción de compresión.

    Como resultado, el programador espera más tiempo a que se complete una tarea antes de considerarla una tarea zombi. Esta opción es especialmente útil para tareas que requieren mucho tiempo y duran varias 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 del Airflow de [core]killed_task_cleanup_time de configuración de Terraform.

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

Solución de problemas de las señales SIGTERM

Linux, Kubernetes, el programador de Airflow y Celery usan los indicadores SIGTERM para finalizar los procesos responsables de ejecutar tareas o trabajadores 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 píldora venenosa y SIGTERM a la tarea para detenerla.

  • En el Ajuste de escala automático horizontal de Pods, el clúster de GKE El plano de control envía señales SIGTERM para quitar Pods que ya no están según sea necesario.

  • El programador puede enviar señales SIGTERM al proceso DagFileProcessorManager. El programador usa esos indicadores 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 la señal de actividad y las devoluciones de llamada de salida en local_task_job, que supervisa la ejecución de la tarea. Si el heartbeat detecta que una tarea se marcó como correcta, no puede distinguir si la tarea en sí se realizó correctamente o si se le indicó a Airflow que la considerara correcta. Sin embargo, finalizará un ejecutor de tareas, sin esperar para que se cierre.

    Se pueden ignorar de forma segura estos indicadores SIGTERM. La tarea ya se encuentra en estado exitoso y la ejecución de la ejecución de DAG en su totalidad no se afectado.

    La entrada de registro Received SIGTERM. es la única diferencia entre la salida normal y la finalización de la tarea en el 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 el latido y las devoluciones de llamada de salida (haz clic para ampliar)

  • Un componente de Airflow usa más recursos (CPU, memoria) de los que permite la 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 termina con SIGTERM, puedes ver el siguiente registro entradas 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 se relaciona con las configuraciones 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 Airflow trabajadores.

  • En el caso de Cloud Composer 1, puedes volver a crear tu entorno usando un de 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 de forma simultánea un trabajador de Airflow determinado.

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 Pods

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

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

  • Puedes especificar un cronograma que te interese en Cloud Logging. por ejemplo, las últimas 6 horas o 3 días, o bien puedes definir un intervalo de tiempo personalizado

  • debes especificar la API de Cloud Composer CLUSTER_NAME

  • También puedes limitar la búsqueda a un Pod específico si agregas 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 los 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 interrumpen las tareas de Airflow que se ejecutan actualmente. a menos que una tarea se ejecute en el modo diferible.

Te recomendamos que realices estas operaciones cuando esperes un impacto mínimo en las ejecuciones de tareas de Airflow y configures los mecanismos de reintento adecuados en tus DAG y tareas.

Cómo solucionar problemas de tareas de KubernetesExecutor

CeleryKubernetesExecutor es un tipo de ejecutor en 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 las tareas que se ejecutan 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

En ocasiones, tu tarea puede usar más memoria de la que se asigna al trabajador de Airflow. En tal situación, Negsignal.SIGKILL podría interrumpirlo. 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:

  • Disminuye el worker_concurrency de los 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 intensivas en recursos en Cloud Composer con KubernetesPodOperator o GKEStartPodOperator para el aislamiento de tareas y la asignación de recursos personalizados.

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

A veces puede haber errores sutiles del DAG 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 este 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 se marque como Failed y no haya un registro de su ejecución.

Soluciones:

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

  • Aumenta los parámetros relacionados con el análisis del DAG:

  • Consulta también Cómo inspeccionar 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 es responsable para la ejecución de tareas 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 a las Ciclo de vida del Pod de Kubernetes y expulsión del Pod. Los aumentos repentinos de tareas y la programación conjunta de los trabajadores son dos de las causas más comunes de 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. Para Por ejemplo, una expulsión puede ocurrir cuando varias tareas que consumen mucha memoria se ejecutan 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. Consulta los registros de los 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 la máquina actual el tipo de letra.
  • 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 cómo recuperar registros de pods individuales, consulta Soluciona problemas con 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 el valor se queda sin espacio de almacenamiento, el Pod trabajador de Airflow es expulsado Plano de control de GKE. Esto falla en todas las tareas que se se ejecutaba el trabajador.

    Ejemplos de operaciones problemáticas:

    • Descargar archivos o objetos 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 tus DAG para que los archivos grandes se procesen fuera del pod de 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 la lista de DAGs, aparece un cuadro de alerta rojo que muestra Broken DAG: [/path/to/dagfile] Timeout.

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

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

Solución:

Anula el Airflow dag_file_processor_timeout de configuración y permiten 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 bloquean y la ejecución de 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 tiempo de espera y limpieza que ayudan a evitar esta situación.

Solución:

  • Usa el dagrun_timeout para los DAG. Por ejemplo: dagrun_timeout=timedelta(minutes=120). Como resultado, cada ejecución de DAG debe completarse dentro del tiempo de espera de la ejecución de DAG, y las tareas que no se completen se marcarán 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 tiempo de espera de ejecución de la tarea para definir un tiempo de espera predeterminado para las tareas que se ejecutan en función de Apache operadores de Airflow.

No se ejecutaron las ejecuciones de DAG

Síntoma:

Cuando se establece de forma dinámica una fecha de programación para un DAG, 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 marcaron como ejecutadas y correctas a pesar de no ser ejecutado.

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 pasadas.

  • Evita usar datetime.now() o days_ago(<number of days>), a menos que seas de 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. Cheque los registros de airflow-webserver en Cloud Logging para determinar la causa del Error de 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 pueden personalizarse tienen mayor capacidad de CPU y memoria, el servidor web usa un tipo de máquina fijo lo que puede provocar fallas en el análisis del DAG si el cálculo del tiempo de análisis es demasiado y tienen mucho peso.

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 está 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 de forma normal 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 si el servidor web deja de estar 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.

Cómo controlar una gran cantidad de DAG y complementos en las carpetas de DAG y complementos

El contenido de las carpetas /dags y /plugins se sincroniza desde el bucket de tu entorno a 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 y la sincronización. Para abordar estas situaciones, haz lo siguiente:

  • 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 disco disponible para los programadores de Airflow trabajadores.

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

  • Si hay una gran cantidad de DAG, divídelos en lotes, comprime en archivos ZIP y, luego, impleméntalos en la carpeta /dags. Este enfoque acelera el proceso de sincronización de los DAG. Componentes de Airflow descomprimir 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 ejecución de DAG generados de manera programática.

No programes DAG generados de manera programática al mismo tiempo

Generar objetos DAG de forma programática a partir de un archivo DAG es un método eficiente para crear muchos DAG similares que solo tienen pequeñas diferencias.

Es importante no programar todos esos DAG para su ejecución de inmediato. Es probable que los trabajadores de Airflow no tengan suficientes recursos de CPU y memoria para ejecutar todas las tareas programadas al mismo tiempo.

Para evitar problemas con la programación de DAG programáticos, haz lo siguiente:

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

Error 504 cuando se accede al servidor web de Airflow

Consulta 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

Lost connection to Postgres / MySQL server during query excepciones generalmente ocurren 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 cierre 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 la duración de una sola ejecución de DAG para un DAG en particular, 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 falla) no debe durar más de 1 hora, establece 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 quieres controlar cuántas ejecuciones de DAG activas quieres tener en un un DAG determinado, puedes usar el [core]max-active-runs-per-dag la opción de configuración de Airflow para hacerlo.

Si deseas tener una sola instancia de un DAG que se ejecute en un momento determinado, 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 a los programadores y trabajadores. Ciertos objetos en las carpetas /dags y /plugins pueden impedir que esta sincronización funcione correctamente o, al menos, ralentizarla.

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

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

Es posible que encuentres los siguientes problemas:

  • Subiste archivos comprimidos en gzip que usan transcodificación de compresión a /dags y /plugins individuales. Por lo general, ocurre si usas la marca --gzip-local-all en un comando gcloud storage cp 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 "."; dicho objeto no se sincroniza con entre los programadores y los trabajadores, y podría dejar de sincronizarse.

    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 se sincroniza 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 de las carpetas /dags o /plugins contiene un símbolo / al final del nombre del objeto. Estos objetos pueden engañar al proceso de sincronización, ya que el símbolo / significa 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 incluyen archivos adicionales, como archivos que almacenan pruebas para estos componentes. Estos los archivos se sincronizan con los trabajadores y los programadores, y esto afecta el tiempo necesario para copia estos archivos a los programadores, trabajadores y servidores web.

    Solución: No almacenes archivos adicionales ni innecesarios en las carpetas /dags y /plugins.

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

Este problema ocurre porque los objetos pueden tener espacios de nombres superpuestos en Cloud Storage y, al mismo tiempo, los programadores y los trabajadores usan sistemas de archivos tradicionales. Por ejemplo, es posible para agregar una carpeta y un objeto con el mismo nombre al archivo bucket. Cuando el bucket se sincroniza con los programadores y trabajadores del entorno se genera este error, lo que puede conducir a fallas en las tareas.

Para solucionar este problema, asegúrate de que no haya espacios de nombres superpuestos en el en el bucket de tu entorno. Por ejemplo, si /dags/misc (un archivo) y /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. Significa que, de vez en cuando, pueden aparecer algunos problemas transitorios 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 para tus entornos de Cloud Composer.

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

Una razón adicional para estos errores podría ser la falta de recursos en tu en el clúster del entorno. En esos casos, puede optimizar o escalar verticalmente entorno, como se describe en Entornos de escalamiento o Instrucciones para optimizar tu entorno.

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

Si una ejecución de 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 aún están marcadas como exitosas.

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

Causa

Esta situación puede ocurrir en uno de los siguientes casos:

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

  • El start_date del DAG se establece 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 ni en la IU de DAG, y el programador no lo programa.

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

Las siguientes opciones de configuración de Airflow definen los tiempos de espera para el análisis de DAG:

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

  • Revisa los registros del procesador de DAG para ver si este puede procesar correctamente tu DAG. Si tienes problemas, es posible que veas las siguientes entradas de registro en los registros del procesador o programador de DAG:
[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 funciona correctamente. En caso de Puedes ver 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 de DAG. El procesador de DAG analiza varios DAG, y en casos excepcionales, los errores de análisis de un DAG pueden afectar negativamente el análisis de otros DAG.

  • Si el análisis de tu DAG demora más que la cantidad de segundos definida en [core]dagrun_import_timeout, y luego aumentará este tiempo de espera.

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

  • Si tu DAG tarda mucho tiempo en analizarse, también puede significar que no se implementa 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 dichas operaciones en secciones globales de los 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 se pueda realizar el análisis 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 bajo una carga pesada

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

¿Qué sigue?