python - SIGKILL 耗时过长的 Airflow 终止任务

Question

我有一个 SQL Server 数据库，我正在其中以 parquet 格式迁移到 AWS S3 以构建数据湖。我正在使用 Apache Airflow 通过 DAGS 自动执行此任务。在这种情况下，模式上的每个表都变成了一个 .parquet 文件，这使 S3 成为一个数据湖，因此能够事后使用 AWS Athena 和/或在 ElasticSearch 中进一步编制索引。

有一些非常大的表，这些表的迁移任务显然我希望它花费更多的时间。对于python，我发现唯一与Microsoft SQL Server 连接的库是pyodbc，它是由Microsoft 官方开发和维护的。

对于如此大的表(大约 6000 万个寄存器)，使用 cursor.fetchall() 花费的时间太长并导致错误，因为该任务似乎被 Airlfow 的 SIGNALKILL 杀死。

下面是 DAG 有多大的一个例子(只是其中的一部分):

为了获取给定模式中的所有表，我使用了以下 SQL Server 查询:

SELECT TABLE_NAME
FROM INFORMATION_SCHEMA.TABLES
WHERE TABLE_TYPE = 'BASE TABLE' AND TABLE_CATALOG='{}';

在括号中，我使用 Python 中的 .format() 函数插入架构名称并检索用于动态构建 DAG 结构的表。我更改了我的 python 代码以批量获取如此大的表中的数据，以最大程度地减少任何潜在的数据溢出:

def stream(cursor, batch_size=50000):
    while True:
        row = cursor.fetchmany(batch_size)
        if row is None or not row:
            break
        yield row


def fetch_data(query, schema, filename, remote_path, save_locally=False):
    cnxn = pyodbc.connect(driver='Here I Put the ODBC Driver Name',
                          host='Host for de SQL Server DB',
                          database='Nameof the DB Schema',
                          user='User for Auth in the DB',
                          password='Pass for Auth in the DB')
    print('Connetciton stabilished with {} ..'.format(schema))

    cursor = cnxn.cursor()
    print('Initializing cursor ...')
    print('Requestin query {} ..'.format(query))

    cursor.execute(query)
    print('Query fetched for {} ..'.format(schema))

    row_batch = stream(cursor)
    print('Getting Iterator ...')

    cols = cursor.description
    cols = [col[0] for col in cols]

    print('Creating batch data_frame ..')
    data_frame = pd.DataFrame(columns=cols)

    start_time = time.time()
    for rows in row_batch:
        batch_df = pd.DataFrame.from_records(rows, columns=cols)
        data_frame = data_frame.append(batch_df, ignore_index=True)
        batch_df = None
        print("-- Batch inserted in %s seconds --" % (time.time() - start_time))
        start_time = time.time()

    cnxn.close()
    print('Connetciton closed ..')
    
    // other code to convert to .parquet and send to S3
    save_to_bucket(data_frame, remote_path)
    return 'FETCHING DATA'

该策略似乎对模式的整个表的 96% 都有效，正如我之前所说，当表非常大时，大约有 6000 万条记录，任务会运行一段时间，大约30 分钟，但通常在那之后，Airflow 会终止任务，就像那样。没有连接错误，既没有 python 异常也没有。调度程序终端中唯一显示的是:

[2021-04-17 23:03:59,719] {scheduler_job.py:1199} INFO - Executor reports execution of ORTOCLIN_TO_S3.FETCHING_HISTORICORESUMO_DATA execution_date=2021-04-17 20:00:17.426578+00:00 exited with status success for try_number 1
[2021-04-17 23:05:02,050] {scheduler_job.py:1834} INFO - Resetting orphaned tasks for active dag runs
[2021-04-17 23:10:02,314] {scheduler_job.py:1834} INFO - Resetting orphaned tasks for active dag runs
[2021-04-17 23:15:02,666] {scheduler_job.py:1834} INFO - Resetting orphaned tasks for active dag runs
[2021-04-17 23:20:03,226] {scheduler_job.py:1834} INFO - Resetting orphaned tasks for active dag runs
[2021-04-17 23:25:03,868] {scheduler_job.py:1834} INFO - Resetting orphaned tasks for active dag runs
[2021-04-17 23:30:04,346] {scheduler_job.py:1834} INFO - Resetting orphaned tasks for active dag runs
[2021-04-17 23:35:04,853] {scheduler_job.py:1834} INFO - Resetting orphaned tasks for active dag runs
[2021-04-17 23:40:05,324] {scheduler_job.py:1834} INFO - Resetting orphaned tasks for active dag runs

在任务的 Airflow 日志中，我们只需要:

有什么解决方法吗？请帮助我!

Answer 1

您可以在此处更改 3 项内容:

AIRFLOW__CELERY__WORKER_CONCURRENCY

将其设置为较低的值或至少设置为 1 以使工作人员只专注于一项任务

AIRFLOW__CORE__KILLED_TASK_CLEANUP_TIME

将其设置为更高的值，例如 1200-3600 秒

增加worker机器的CPU和RAM

归根结底这是资源问题。 DAG 消耗过多资源并被杀死，因此这是一个合乎逻辑的步骤。

此列表不完整，可能还有其他解决方案，我还不知道。