Cloud Composer入門のために公式ドキュメント読んだメモ

前回 Airflowの公式ドキュメントをまとめた。
今回は Cloud Composer。

公式ドキュメント

公式Doc

QuickStart

QuickStart

• これで実際Cloud Composerにリリースしてみて雰囲気つかむ
• Dagの作り方や、リリース方法、ログの確認方法など基本的な流れわかる

アクセス環境

Airflow コマンドライン インターフェース

Cloud ComposerでAirflowのコマンドラインの実行方法

DAG(ワークフロー)の管理

DAG（ワークフロー）の作成

• 基本的にはDAGの作成方法

• その他、Cloud Composerのpackageの情報など

  • Cloud ComposerのContainerで実行できるshellコマンドpackage一覧
    • gcloud
    • bq
    • gsutil
    • kubectl
  • Cloud ComposerのContainerが持っている python package一覧
    • google-cloud-bigquery
    • google-cloud-dataflow
    • google-cloud-storage
    • pandas
    • pandas-gbq
    • tensorflow
    • tensorflow-transform

• 追加でpython packageを追加したい -> こちら

• よくある質問が使えそう

DAG(ワークフロー)の追加と更新

追加と更新

• GCSにDAGファイルをuploadすればいい
• 以下のgcloudコマンドでgcsにuploadするのが楽

gcloud composer environments storage dags import --environment ENVIRONMENT_NAME --location LOCATION --source LOCAL_FILE_TO_UPLOAD

削除

• 基本GCSからDAGファイルを削除すればok
  • airflow 1.10.0以降であれば、removing dagコマンドで消すと、メタデータも消せる

gcloud composer environments run --location LOCATION ENVIRONMENT_NAME delete_dag -- DAG_NAME

カスタムプラグイインのインストール

• カスタムプラグインとは
  • 自作のライブラリ。hooks, operators, sensors, macros, executorsなどをairflow.plugins_manager.AirflowPlugin 継承してつくる。
  • GCSの ${BUCKET}/plugins ディレクトリに配置すればok

Python 依存関係のインストール

• pipなどで pythonライブラリを追加したい場合
• GCLOUDで requests.txt を指定して更新するのが良さそう

gcloud composer environments update ENVIRONMENT-NAME --update-pypi-packages-from-file requirements.txt --location LOCATION

• ワーカーポッドへの接続方法などが詳しく載ってる -> Flower ウェブ インターフェースに接続する

DAGのトリガー

• イベントベースでCloud function経由でトリガーできたりする

DAGのテスト

• 本番のDAGとしてデプロイする前に動作確認する方法が説明される

python packageが追加された時の確認方法

• 直接airflowのworkerに入って、pip install して問題ないかを確かめる
• その後、pip uninstallする
• 本当にこんな方法でいいんだろうか...

syntax error チェック

• GCSの ${BUCKET}/data/test ディレクトリに作ったdagファイルをアップロード
• gcloud composer environments を使ってairflow list_dags を実行する from ローカル

gcloud composer environments run ENVIRONMENT_NAME --location LOCATION list_dags -- -sd /home/airflow/gcs/data/test

task error チェック

• GCSの ${BUCKET}/data/test ディレクトリに作ったdagファイルをアップロード
• gcloud composer environments を使ってairflow test を実行する from ローカル

gcloud composer environments run ENVIRONMENT_NAME \
  --location LOCATION \
  test -- -sd /home/airflow/gcs/data/test DAG_ID \
  TASK_ID DAG_EXECUTION_DATE

DAGのトラブルシューティング

• ログの見方

  • Airflow logs: DAGのtaskに関連するもの。 GCS かweb viewから確認できる
  • Streaming log: Airflow logsの上位となるログ。 StackdriverやLogs viewerから観れる。

• ログが出ないで失敗している場合はOOMを疑う

gcloud composer コマンド

• gcloud コマンドの解説

コンセプト

Cloud Composerの概要

• Apache Airflowを元に構築されたフルマネージドワークフローオーケストレーション

環境(environment)

• Airflowを分散設定でデプロイするための、いくつかのGCPコンポーネント
• GKEに基づく

アーキテクチャ

• customer project と tenant project(マネージドサービスリソース) に分かれる
• customer project
  • gcs
  • gke
  • stackdriver
• tenant project
  • cloud sql
    • airflowのメタデータ
    • 毎日バックアップ
  • app engine
    • web server
    • Cloud IAPを使って、IAMの権限をサーバーアクセス管理に使える

構成情報

• 環境用のパラメータは一度使ったら変更できない
• *-composer-* のpubsubトピックは消しちゃダメ
• Airflow コマンド resetdb、initdb、upgradedb を発行すると、DB変わるので行わない

機能

環境

• Cloud Composerは Apache Airflowを基盤としてラッパー
• 3つのコンポーネントを持つ
  • ウェブサーバー: web view
  • データベース: メタデータの保持
  • Cloud Storage: dag, log, plugin などが保存される

Gloud Storageに保存されるデータ

DAG

• 環境の DAG を保存します。このフォルダ内の DAG のみが環境にスケジュールされます。
  
• path: gs://bucket-name/dags

プラグイン

• カスタム プラグインを保存します。カスタムのインハウス Airflow 演算子、フック、センサー、インターフェースなどです。
• path: gs://bucket-name/plugins

データ

• タスクが生成して使用するデータを保存します。このフォルダは、すべてのワーカーノードにマウントされます。
• path: gs://bucket-name/data

ログ

• タスクの Airflow ログを保存します。ログは Airflow ウェブ インターフェースでも利用できます。
• path: gs://bucket-name/logs