Apache Airflow：在单个 DAG 运行中运行所有并行任务

Question

我有一个有 30 个（或更多）动态创建的并行任务的 DAG。

我在该 DAG 上设置了 concurrency 选项，因此在追赶历史记录时，我只有一个 DAG Run 运行。 当我在我的服务器上运行它时，实际上只有 16 个任务并行运行，而其余 14 个任务只是等待排队。

我应该更改哪个设置，以便我只运行 1 个 DAG Run，但所有 30 多个任务并行运行？

根据this FAQ，它似乎是dag_concurrency 或max_active_runs_per_dag 之一，但前者似乎已经被concurrency 设置过度驱动，而后者似乎没有效果（或者我有效搞砸了我的设置）。 这是示例代码：

import datetime as dt
import logging

from airflow.operators.dummy_operator import DummyOperator

import config

from airflow import DAG
from airflow.operators.python_operator import PythonOperator

default_args = {
    'owner': 'airflow',
    'depends_on_past': True,
    'wait_for_downstream': True,
    'concurrency': 1,
    'retries': 0,
}


def print_operators(ds, **kwargs):
    logging.info(f"Task {kwargs.get('task_instance_key_str', 'unknown_task_instance')}")


dag = DAG(
    dag_id='test_parallelism_dag',
    start_date=dt.datetime(2019, 1, 1),
    default_args=default_args,
    schedule_interval='@daily',
    catchup=True,
    template_searchpath=[config.DAGS_PATH],
    params={'schema': config.SCHEMA_DB},
    max_active_runs=1,
)

print_operators = [PythonOperator(
    task_id=f'test_parallelism_dag.print_operator_{i}',
    python_callable=print_operators,
    provide_context=True,
    dag=dag
) for i in range(60)]

dummy_operator_start = DummyOperator(
    task_id=f'test_parallelism_dag.dummy_operator_start',
)

dummy_operator_end = DummyOperator(
    task_id=f'test_parallelism_dag.dummy_operator_end',
)

dummy_operator_start >> print_operators >> dummy_operator_end

编辑 1： 我当前的airflow.cfg 包含：

executor = SequentialExecutor
parallelism = 32
dag_concurrency = 24
max_active_runs_per_dag = 26

我的环境变量如下（将它们全部设置为不同的，以便轻松发现哪个有帮助）：

AIRFLOW__CORE__EXECUTOR=LocalExecutor
AIRFLOW__CORE__DAG_CONCURRENCY=18
AIRFLOW__CORE__MAX_ACTIVE_RUNS_PER_DAG=20
AIRFLOW__CORE__WORKER_CONCURRENCY=22

我有以下甘特图：

哪种方式提示我设置 DAG_CONCURRENCY 环境变量有效。

Answer 1

要更改的实际参数是airflow.cfg 中的dag_concurrency，或者用AIRFLOW__CORE__DAG_CONCURRENCY 环境变量覆盖它。

作为per docs I referred to in my question:

concurrency：Airflow 调度程序将运行不超过$concurrency 在任何给定时间您的 DAG 的任务实例。并发定义 在您的气流 DAG 中。如果你没有在你的 DAG 上设置并发， 调度程序将使用来自dag_concurrency 的默认值 进入你的airflow.cfg。

这意味着遵循简化的代码：

default_args = {
    'owner': 'airflow',
    'depends_on_past': True,
    'wait_for_downstream': True,
    'concurrency': 1,
}


dag = DAG(
    dag_id='test_parallelism_dag',
    default_args=default_args,
    max_active_runs=1,
)

应该改写为：

default_args = {
    'owner': 'airflow',
    'depends_on_past': True,
    'wait_for_downstream': True,
}


dag = DAG(
    dag_id='test_parallelism_dag',
    default_args=default_args,
    max_active_runs=1,
    concurrency=30
)

我的代码实际上有错误的假设，即 default_args 在某些时候将实际的 kwargs 替换为 DAG 构造函数。我不知道当时是什么导致我得出这个结论，但我想将concurrency 设置为1 有一些草案剩余，它实际上从未影响任何东西，实际的 DAG 并发是从配置默认值设置的，即 16。

Answer 2

在您的airflow.cfg 文件中更新concurrency 配置。如果是 16，则增加到 32。

如果您使用的是 Celery Executor，请将 worker_concurrency 更改为 32。