Airflowのwebserverと、読み込みに時間がかかるDAGの話

クリスマスも近いので、Airflowのwebserverの話をしましょう。

言いたいこと

• 読み込みに時間がかかるDAGがあると
• そのDAGが読み込めないかもよ
• Airflowの管理画面にアクセス出来ないかもよ
• タスク数だけなら割と多くても大丈夫だよ
• Componserのデフォルト設定でも、千程度はいける？
• 未来は明るいよ

Airflowを構成するモジュール

今回の主役のwebserverは、Airflowのモジュールの一つです。
他のモジュールには、

• scheduler
• DAG/Taskのスケジューリング・状態の管理
• worker
• タスクインスタンスを実際に実行
• database
• TaskInstance・DagRun・xcom・Variableなどの保持
• executor
• スケジュールされたタスクをworkerに配分

などがあります。
詳しくは、Astronomerさんの記事がわかりやすいです。

webserverとは

webserverは、管理画面（下図）・CLIコマンド（の一部）・APIなどを担当するモジュールで、

• DAG/task instanceなどの状況把握
• DAG/task instanceの再実行や、ステータスの変更

などの処理を受け付けます。

内部的には、Flask+Gunicornの構成となっており、画面からのエンドポイントはここらへんに定義されています。

（図はAirflow公式ページより）

読み込みに時間がかかるDAG問題

webserverは、リクエストを受け付けるだけではなく、DAGファイルを定期的に読み込みます。

その結果、DAGファイルの読み込みに時間がかかると、

• 該当のDAGが読み込めない
• webserverへのアクセスが重くなる
• アクセスすら出来ない（エラーページ表示）

ことがあり、

• Composerのトラブルシューティング
• Astronomerのプラクティス

などでも注意喚起？されています。

読み込みに時間がかかる？

DAGの読み込みに時間がかかるのと、DAGRunの実行に時間がかかるのは、混同しそうですが別の話で、今回問題にしているのは前者です。

例を出すと、これは読み込みに時間がかかるDAGで、

    sleep(10000000)
    start = DummyOperator(task_id='start')

これはDAGRunの実行に時間がかかるDAGです。

        def hoge():
            sleep(1000000)
        slow_task = PythonOperator(
            task_id='query_' + str(i),
            python_callable=hoge,
        )

タスク数が多かったり、タスクの外で外部にアクセスしていると、読み込みが遅くなる可能性があります。

webserverがDAGをパースする流れ

細かい流れが気になる人向けに：

1. webserver起動時に、定期的に（※）[子プロセス（gunicorn worker）を再起動]
   (https://github.com/apache/airflow/blob/4a344f13d26ecbb627bb9968895b290bfd86e4da/airflow/cli/commands/webserver_command.py#L146)するように設定
2. エンドポイントのファイルのロード時に[DagBagオブジェクトが作られる]
   (https://github.com/apache/airflow/blob/cb8b2a1dc64c3ea6ba445893c65c6c953dfb476a/airflow/www/views.py#L92)
3. DagBagオブジェクトが作られる中で、DAGファイルがパースされる

※ 具体的にはworker_refresh_interval秒

タスク数との関係

Cloud Composer(Airflow 1.10.2)・BigQueryOperatorのみのDAGで試したところ：

• DAGあたりに1000タスクくらいでは、デフォルト設定でも表示が出来る
• DAGあたりに3000タスクくらいになると、デフォルト設定では表示ができなくなる
  • webserverが重くてもSchedulerやWorkerは動きます（Stackdriverで確認）
  • タイムアウト(worker_refresh_interval)を伸ばしたり、読み込みを非同期(async_dagbag_loader)にするといける

なお、 Graph ViewやTree Viewだけが重い時は、default_dag_run_display_numberを変えるといいらしいです。

明るい未来の話

この「読み込みに時間がかかるDAG」に関しては、改善がいくつか提案されています。

Cloud Composerでは、webserver上のDAGの読み込みを非同期にするオプションが実装されており、Airflow1.10.4にも移植されています。

まだドラフトですが、AIP-24 DAG Persistence in DB using JSON for Airflow Webserver and (optional) Schedulerという提案は、より大幅な変更で、

• webserverでのDAGのパースはやめる
• schedulerがDAGをパースし、シリアライズ結果をDBに入れる
• webserverは、その結果を使う

オプションを提案しています。
（webserverが状態を持っているのが、そもそも良くないよねという話もあるらしい）

Cloud Compserのwebserver

Cloud Composerのwebserverに関してのメモです：

• テナントプロジェクト（顧客管理外のプロジェクト）・CPU2コアのGAE Flexibleで動く
• スペックは変えられない…
• GKEクラスタの方にwebserverを移すことが出来る
• Airflow設定変えてもダメなら、試す価値はあるかも

ちなみに、Astronomer.ioの方はvCPU・メモリのサイズを変えられます。